DE102021131238A1 - MEDICAL IMAGE RECONSTRUCTION DEVICE AND METHOD FOR SCREENING FOR A VARIETY OF LUNG DISEASE TYPES - Google Patents

MEDICAL IMAGE RECONSTRUCTION DEVICE AND METHOD FOR SCREENING FOR A VARIETY OF LUNG DISEASE TYPES Download PDF

Info

Publication number
DE102021131238A1
DE102021131238A1 DE102021131238.8A DE102021131238A DE102021131238A1 DE 102021131238 A1 DE102021131238 A1 DE 102021131238A1 DE 102021131238 A DE102021131238 A DE 102021131238A DE 102021131238 A1 DE102021131238 A1 DE 102021131238A1
Authority
DE
Germany
Prior art keywords
medical image
reconstruction
processor
neural network
reconstruction parameter
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
DE102021131238.8A
Other languages
German (de)
Inventor
Jaeyoun Yi
Donghoon Yu
Yongjin Chang
Sol A Seo
Sunggoo Kwon
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Coreline Software Co Ltd
Original Assignee
Coreline Software Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Coreline Software Co Ltd filed Critical Coreline Software Co Ltd
Publication of DE102021131238A1 publication Critical patent/DE102021131238A1/en
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/006—Inverse problem, transformation from projection-space into object-space, e.g. transform methods, back-projection, algebraic methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30061—Lung
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/441—AI-based methods, deep learning or artificial neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/444—Low dose acquisition or reduction of radiation dose

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • General Physics & Mathematics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

Offenbart hierin ist eine medizinische Bildrekonstruktionsvorrichtung zum Rekonstruieren eines medizinischen Bilds, um das Lesen eines medizinischen Bilds zu unterstützen. Die medizinische Bildrekonstruktionsvorrichtung umfasst ein Computersystem. Das Computersystem umfasst: eine Empfängerschnittstelle, die dazu konfiguriert ist, ein erstes medizinisches Bild zu empfangen, auf das ein erster Rekonstruktionsparameter angewandt wird, der daran angepasst ist, einen ersten Läsionstyp zu diagnostizieren oder zu analysieren; und wenigstens einen Prozessor, der dazu konfiguriert ist, einen zweiten Rekonstruktionsparameter, um auf das erste medizinische Bild angewandt zu werden, ansprechend auf einen Diagnoseauftrag für die Diagnose oder Analyse eines zweiten Läsionstyps zu erzeugen. Der wenigstens eine Prozessor stellt einem Benutzer den zweiten Rekonfigurationsparameter über eine Benutzerschnittstelle bereit, oder erzeugt ein zweites medizinisches Bild für die Diagnose oder Analyse des zweiten Läsionstyps durch Ausführen des zweiten Rekonstruktionsparameters an dem ersten medizinischen Bild und stellt dem Benutzer das zweite medizinische Bild bereit.Disclosed herein is a medical image reconstruction apparatus for reconstructing a medical image to aid in reading a medical image. The medical image reconstruction device includes a computer system. The computer system includes: a receiver interface configured to receive a first medical image to which a first reconstruction parameter adapted to diagnose or analyze a first lesion type is applied; and at least one processor configured to generate a second reconstruction parameter to be applied to the first medical image in response to a diagnostic order for the diagnosis or analysis of a second lesion type. The at least one processor provides the second reconfiguration parameter to a user via a user interface, or generates a second medical image for diagnosis or analysis of the second lesion type by performing the second reconstruction parameter on the first medical image and provides the second medical image to the user.

Description

TECHNISCHES GEBIETTECHNICAL AREA

Die vorliegende Erfindung betrifft eine Vorrichtung und ein Verfahren, die das Lesen eines medizinischen Bilds eines Gegenstands unterstützen. Insbesondere betrifft die vorliegende Erfindung ein Computersystem, das das Lesen eines medizinischen Bilds unter Verwendung eines Analyseergebnisses eines medizinischen künstlichen neuronalen Netzwerks unterstützt, und Software, die in dem Computersystem ausgeführt wird.The present invention relates to an apparatus and a method that support the reading of a medical image of an object. More particularly, the present invention relates to a computer system that supports reading of a medical image using an analysis result of a medical artificial neural network, and software executed in the computer system.

HINTERGRUNDTECHNIKBACKGROUND TECHNOLOGY

Gegenwärtig werden medizinische Bilder, wie etwa Computertomographie (CT)-Bilder, weithin verwendet, um Läsionen zu analysieren und Analyseergebnisse zur Diagnose zu verwenden. Beispielsweise werden häufig Brust-CT-Bilder zum Lesen verwendet, weil sie Lesern erlauben, Anomalien in Teilen des menschlichen Körpers, wie etwa den Lungen, den Bronchien und dem Herz, zu betrachten.At present, medical images such as computed tomography (CT) images are widely used to analyze lesions and use analysis results for diagnosis. For example, chest CT images are often used for reading because they allow readers to view abnormalities in parts of the human body such as the lungs, bronchi, and heart.

Da Röntgen-CT-Bilder für verschiedene Anwendungen, wie etwa Krebs-Screening, verwendet werden, gibt es Bemühungen, durch Reduzieren der Dosis eines klinischen CT-Scans eine Wirkung auf den menschlichen Körper zu minimieren.As X-ray CT images are used for various applications such as cancer screening, efforts are being made to minimize an effect on the human body by reducing the dose of a clinical CT scan.

Viele Technologien werden entwickelt, um die Bildqualität einer Niedrigdosis-CT zu verbessern. Im Allgemeinen wird, um Rauschen zu reduzieren und die Bildqualität sogar bei einer niedrigen Dosis zu verbessern, in letzter Zeit eine künstliche neuronale Netzwerk (ANN)-Technologie auf eine Niedrigdosis-CT angewandt.Many technologies are being developed to improve the image quality of low-dose CT. In general, in order to reduce noise and improve image quality even at a low dose, artificial neural network (ANN) technology is recently applied to low-dose CT.

In der US-Patentanmeldung mit der Veröffentlichungsnummer US 2020/0335201 mit dem Titel „Method for Setting a Medical Imaging Protocol, System for Setting a Medical Instrument, Computer Program and Computer-Readable Medium“ werden (eine) vorläufige Diagnose/Befunde aus Gesprächen zwischen einem Patienten und einem Arzt abgeleitet, und basierend auf der vorläufigen Diagnose schlägt ein künstliches neuronales Netzwerk Parameter und Protokolle vor, die notwendig für Bildgebung, Rekonstruktion und Aufzeichnung sind. Nachdem die vorgeschlagenen Parameter und Protokolle ohne Änderung ausgeführt worden sind oder Parameter und Protokolle, die durch das medizinische Personal modifiziert wurden, ausgeführt worden sind, werden durch Bildanalyse detektierte Läsionen mit der (den) vorläufigen Diagnose/Befunden verglichen, werden die Ergebnisse des Vergleichs zu dem künstlichen neuronalen Netzwerk zurückgeführt, und lernt das künstliche neuronale Netzwerk die Ergebnisse.In US patent application publication number U.S. 2020/0335201 entitled "Method for Setting a Medical Imaging Protocol, System for Setting a Medical Instrument, Computer Program and Computer-Readable Medium" (a) preliminary diagnosis/findings are derived from discussions between a patient and a doctor, and based on the preliminary Diagnosis, an artificial neural network, proposes parameters and protocols necessary for imaging, reconstruction, and recording. After the proposed parameters and protocols are run without modification or parameters and protocols modified by the medical staff are run, lesions detected by image analysis are compared to the preliminary diagnosis/findings, the results of the comparison become fed back to the artificial neural network, and the artificial neural network learns the results.

In der US-Patentanmeldung mit der Veröffentlichungsnummer US 2020/0311490 mit dem Titel „Apparatus and Method for Sinogram Restoration in Computed Tomography (CT) Using Adaptive Filtering with Deep Learning (DL)“ werden unter Verwendung von Deep Learning und adaptivem Filtern für eine Rekonstruktion notwendige Parameter vorgeschlagen, um Rauschen in einem medizinischen Bild zu reduzieren und die Bildqualität in einer allgemeinen CT zu verbessern.In US patent application publication number U.S. 2020/0311490 entitled "Apparatus and Method for Sinogram Restoration in Computed Tomography (CT) Using Adaptive Filtering with Deep Learning (DL)" proposes parameters necessary for a reconstruction using deep learning and adaptive filtering to reduce noise in a medical image and improve image quality in a general CT.

Das US-Patent Nr. US 10,565,477 mit dem Titel „Deep Learning Medical Systems and Methods for Image Reconstruction and Quality Evaluation“ offenbart ein Beispiel eines Anwendens einer Deep-Learning-Technik für den Zweck der Rekonstruktion und Qualitätsbeurteilung eines medizinischen Bilds. Beispiele für Deep Learning umfassen ein konvolutionales neuronales Netzwerk (convolutional neural network; CNN), ein rekurrentes neuronales Netzwerk (recurrent neural network; RNN) und ein generatives adversarisches Netzwerk (generative adversarial network; GAN).The US patent no. U.S. 10,565,477 entitled "Deep Learning Medical Systems and Methods for Image Reconstruction and Quality Evaluation" discloses an example of applying a deep learning technique for the purpose of reconstruction and quality evaluation of a medical image. Examples of deep learning include a convolutional neural network (CNN), a recurrent neural network (RNN), and a generative adversarial network (GAN).

Die US-Patentanmeldung mit der Veröffentlichungsnummer US 2019/0369191 mit dem Titel „MRI Reconstruction Using Deep Learning, Generative Adversarial Network and Acquisition Signal Model“ offenbart ein Beispiel eines Rekonstruierens eines Magnetresonanzbildgebungs (magnetic resonance imaging; MRI)-Bilds unter Verwendung eines generativen adversarischen neuronalen Netzwerks (GAN).US patent application publication number U.S. 2019/0369191 entitled "MRI Reconstruction Using Deep Learning, Generative Adversarial Network and Acquisition Signal Model" discloses an example of reconstructing a magnetic resonance imaging (MRI) image using a generative adversarial neural network (GAN).

Jüngste Studien haben zunehmend versucht, generative adversarische neuronale Netzwerke zu verwenden, um die medizinische Bildqualität zu verbessern. Da jedoch das generative adversarische neuronale Netzwerk nicht komplett von einem ursprünglichen medizinischen Bild abhängt und ein neues Ergebnisbild erzeugt, gibt es häufig Fälle, in denen das erzeugte Ergebnisbild die klinischen Charakteristika des ursprünglichen medizinischen Bilds nicht vollständig aufrechterhält.Recent studies have increasingly attempted to use generative adversarial neural networks to improve medical image quality. However, since the generative adversarial neural network does not completely depend on an original medical image and generates a new resultant image, there are often cases where the resultant image generated does not fully maintain the clinical characteristics of the original medical image.

Demgemäß offenbart die US-Patentanmeldung mit der Veröffentlichungsnummer US 2020/0294284 mit dem Titel „Posterior Image Sampling Using Statistical Learning Model“ einen Versuch, der unternommen wird, um durch Verwendung eines konditionalen generativen adversarischen neuronalen Netzwerks (conditional generative adversarial neural network; CGAN) anstelle eines einfachen GAN eine Unsicherheit oder einen Fehler zu in einem rekonstruierten Bild repräsentieren.Accordingly, US patent application publication number discloses US2020/0294284 entitled "Posterior Image Sampling Using Statistical Learning Model" describes an attempt to eliminate an uncertainty or error in a reconstructed one by using a conditional generative adversarial neural network (CGAN) instead of a simple GAN represent image.

Jedoch weist, auch gemäß den obigen Dokumenten der verwandten Technik, die medizinische Bildrekonstruktion noch eine Beschränkung dahingehend auf, dass ein medizinisches Bild nicht wieder rekonstruiert werden kann, nachdem es in einer medizinischen Bildgebungsvorrichtung oder -modalität rekonstruiert worden ist.However, also according to the above related art documents, the medical image reconstruction still has a limitation that a medical image is not reconstructed can be reconstructed after being reconstructed in a medical imaging device or modality.

Außerdem kann, obwohl das GAN (generatives adversarisches neuronales Netzwerk) ein medizinisches Bild erzeugt, das eine exzellente Qualität für das menschliche Auge aufweist, die Möglichkeit, dass die klinischen Charakteristika eines ursprünglichen medizinischen Bilds nicht ohne Änderung aufrechterhalten werden, nicht ignoriert werden.In addition, although the GAN (Generative Adversarial Neural Network) produces a medical image excellent in quality to human eyes, the possibility that the clinical characteristics of an original medical image are not maintained without change cannot be ignored.

KURZER ABRISS DER OFFENBARUNGBRIEF SUMMARY OF REVELATION

Hinsichtlich neuerer medizinischer Bilder, wie etwa CT- oder MRI-Bilder, wird eine Reihe von medizinischen Bildern durch einen einzelnen Erfassungsprozess erfasst, und die Reihe von medizinischen Bildern ist nicht auf einen einzelnen Läsionstyp beschränkt, sondern kann auch verwendet werden, um verschiedene Läsionstypen zu detektieren. Beispielsweise kann für die Lungen ein Lungenrundherd sowie eine chronisch obstruktive Lungenerkrankung (chronic obstructive pulmonary disease; COPD) diagnostiziert werden, kann ein Emphysem diagnostiziert werden, und/oder kann auch eine chronische Bronchitis und/oder eine Atemwegs-bezogene Krankheit diagnostiziert werden. Zusätzlich kann ein Koronararterienverkalkungs (coronary artery calcification; CAC)-Scoring in einem Brust-CT-Bild zusätzlich zu einer Lungenkrankheit analysiert werden.Regarding recent medical images such as CT or MRI images, a series of medical images is acquired through a single acquisition process, and the series of medical images is not limited to a single lesion type but can also be used to detect various lesion types detect. For example, the lungs may be diagnosed with a pulmonary nodule and chronic obstructive pulmonary disease (COPD), emphysema may be diagnosed, and/or chronic bronchitis and/or a respiratory-related disease may also be diagnosed. Additionally, coronary artery calcification (CAC) scoring in a chest CT image can be analyzed in addition to lung disease.

In der verwandten Technik wird ein medizinisches Bild als ein medizinisches Bild erzeugt, das von medizinischem Personal durch einen medizinischen Bildrekonstruktionsprozess aus einem Satz von Signalen, die von einer medizinischen Bildgebungsvorrichtung empfangen wurden, klinisch interpretiert werden kann. Es gibt unabhängige Rekonstruktionsparameter und/oder Rekonstruktionsprotokolle, die daran angepasst sind, jeweilige mehrere Läsionen aus ursprünglichen Daten (einem Satz von Signalen) oder einem ursprünglichen medizinischen Bild zu diagnostizieren.In the related art, a medical image is generated as a medical image that can be clinically interpreted by medical personnel through a medical image reconstruction process from a set of signals received from a medical imaging device. There are independent reconstruction parameters and/or reconstruction protocols adapted to diagnose respective multiple lesions from original data (a set of signals) or an original medical image.

In der verwandten Technik können, wenn individuelle Rekonstruktionsprotokolle auf ursprüngliche Daten oder ein ursprüngliches medizinisches Bild angewandt werden, individuelle medizinische Bilder, die in der Lage sind, jeweils eine Vielzahl von Läsionen zu diagnostizieren, aus dem einen ursprünglichen medizinischen Bild erzeugt werden. Jedoch ist, wenn ein Rekonstruktionsprozess beendet worden ist und eine Sitzung in einer medizinischen Bildgebungsvorrichtung abgeschlossen ist, das ursprüngliche medizinische Bild verloren und kann kein Rekonstruktionsprozess mehr durchgeführt werden.In the related art, when individual reconstruction protocols are applied to original data or an original medical image, individual medical images each capable of diagnosing a plurality of lesions can be generated from the original medical image. However, when a reconstruction process has ended and a session in a medical imaging device is completed, the original medical image is lost and a reconstruction process can no longer be performed.

Die vorgenannte verwandte Technik, d.h. die US-Patentanmeldung mit der Veröffentlichungsnummer US 2020/0335201 mit dem Titel „Method for Setting a Medical Imaging Protocol, System for Setting a Medical Instrument, Computer Program and Computer-Readable Medium“, die US-Patentanmeldung mit der Veröffentlichungsnummer US 2020/0311490 mit dem Titel „Apparatus and Method for Sinogram Restoration in Computed Tomography (CT) Using Adaptive Filtering with Deep Learning (DL)“, das US-Patent Nr. US 10,565,477 mit dem Titel „Deep Learning Medical Systems and Methods for Image Reconstruction and Quality Evaluation“, die US-Patentanmeldung mit der Veröffentlichungsnummer US 2019/0369191 mit dem Titel „MRI Reconstruction Using Deep Learning, Generative Adversarial Network and Acquisition Signal Model“ und die US-Patentanmeldung mit der Veröffentlichungsnummer US 2020/0294284 mit dem Titel „Posterior Image Sampling Using Statistical Learning Model“ sind alle auf eine Technologie zum Verbessern des Prozesses eines Rekonstruierens eines medizinischen Bilds in einer medizinischen Bildgebungsvorrichtung durch Verwendung eines künstlichen neuronalen Netzwerks gerichtet. Jedoch ist es auch gemäß diesen Dokumenten der verwandten Technik unmöglich, nachdem ein Rekonstruktionsprozess beendet worden ist, ein medizinisches Bild, auf das ein anderer Rekonstruktionsparameter und/oder ein anderes Rekonstruktionsprotokoll angewandt wird, von demselben ursprünglichen medizinischen Bild zu erhalten.The aforesaid related art, ie US patent application publication number U.S. 2020/0335201 entitled "Method for Setting a Medical Imaging Protocol, System for Setting a Medical Instrument, Computer Program and Computer-Readable Medium," US patent application bearing publication number U.S. 2020/0311490 entitled "Apparatus and Method for Sinogram Restoration in Computed Tomography (CT) Using Adaptive Filtering with Deep Learning (DL)", U.S. Patent No. U.S. 10,565,477 entitled "Deep Learning Medical Systems and Methods for Image Reconstruction and Quality Evaluation," US patent application having publication number U.S. 2019/0369191 entitled "MRI Reconstruction Using Deep Learning, Generative Adversarial Network and Acquisition Signal Model" and US patent application publication number US2020/0294284 entitled "Posterior Image Sampling Using Statistical Learning Model" are all directed to a technology for improving the process of reconstructing a medical image in a medical imaging device by using an artificial neural network. However, also according to these related art documents, after a reconstruction process has been completed, it is impossible to obtain a medical image to which a different reconstruction parameter and/or a different reconstruction protocol is applied from the same original medical image.

Jedoch werden in der heutigen Gesellschaft, da die Krankheitstypen vielfältiger und komplizierter werden und Situationen, die die Analyse eines medizinischen Bilds erfordern, auch vielfältig werden, Fälle, die die Diagnose einer zusätzlichen Krankheit oder Läsion erfordern, häufiger. Da ein Durchführen einer neuen medizinischen Bildgebung einen Patienten jedes Mal einer hohen Strahlungsdosis aussetzt, besteht ein Bedarf für ein Verfahren, das ein existierendes medizinisches Bild so viel wie möglich wiederverwenden kann, ohne ein neues medizinisches Bildgeben durchzuführen.However, in today's society, as disease types become more diverse and complicated and situations requiring analysis of a medical picture also become diverse, cases requiring diagnosis of an additional disease or lesion become more frequent. Since performing new medical imaging exposes a patient to a high dose of radiation each time, there is a need for a method that can reuse an existing medical image as much as possible without performing new medical imaging.

Die vorliegende Erfindung ist eine Erfindung, die entwickelt wurde, um mit den Beschränkungen der verwandten Technik und einem neuen Bedarf umzugehen, und es ist ein Ziel der vorliegenden Erfindung, einen neuen Rekonstruktionsparameter und/oder ein neues Rekonstruktionsprotokoll vorzuschlagen, der/das für ein Diagnostizieren/Analysieren einer zusätzlichen Krankheit oder Läsion aus einem medizinischen Bild geeignet ist, das empfangen wurde, nachdem ein Rekonstruktionsprozess in einer medizinischen Bildgebungsvorrichtung bereits abgeschlossen worden ist, ohne die klinischen Charakteristika eines ursprünglichen medizinischen Bilds zu beschädigen, und eine medizinische Bildrekonstruktionsvorrichtung vorzuschlagen, die in der Lage ist, ein neues medizinisches Bild basierend auf dem neuen Rekonstruktionsparameter und/oder Rekonstruktionsprotokoll zu rekonstruieren und die zusätzliche Krankheit oder Läsion zu diagnostizieren/analysieren.The present invention is an invention developed to deal with the limitations of the related art and a new need, and it is an object of the present invention to propose a new reconstruction parameter and/or a new reconstruction protocol that is useful for diagnosing /analyzing an additional disease or lesion from a medical image received after a reconstruction process in a medical imaging device has already been completed without damaging the clinical characteristics of an original medical image and medical image reconst to propose a device capable of reconstructing a new medical image based on the new reconstruction parameter and/or reconstruction protocol and diagnosing/analyzing the additional disease or lesion.

Ein Ziel der vorliegenden Erfindung ist es, eine Vorrichtung und ein Verfahren zur medizinischen Bildrekonstruktion vorzuschlagen, die/das in der Lage ist, eine zusätzliche Krankheit oder Läsion aus einem gegenwärtig gegebenen medizinischen Bild durch Ausführen einer medizinischen Bildverarbeitung über eine Software, unabhängig von einer medizinischen Bildgebungsvorrichtung, zu diagnostizieren/analysieren.An object of the present invention is to propose a medical image reconstruction apparatus and method capable of recognizing an additional disease or lesion from a currently given medical image by performing medical image processing via software independently of medical imaging device to diagnose/analyze.

Ein Ziel der vorliegenden Erfindung ist, eine Technik zur Umwandlung zwischen medizinischen Bildrekonstruktionsparametern (- protokollen) bereitzustellen, die in der Lage ist, durch Verwendung des Trainings/Lernens und der Inferenz eines künstlichen neuronalen Netzwerks eine zusätzliche Krankheit oder Läsion aus demselben ursprünglichen medizinischen Bild zu diagnostizieren/analysieren. In diesem Fall wird die Umwandlung zwischen medizinischen Bildrekonstruktionsparametern (-protokollen) unabhängig von einer medizinischen Bildgebungsvorrichtung durchgeführt, und kann sogar in einer Umgebung durchgeführt werden, in der eine Information über ein ursprüngliches medizinisches Bild von einer medizinischen Bildgebungsvorrichtung nicht empfangen werden kann, weil die medizinische Bildgebungsvorrichtung einen medizinischen Bildrekonstruktionsprozess beendet.An object of the present invention is to provide a technique for conversion between medical image reconstruction parameters (protocols) capable of resolving an additional disease or lesion from the same original medical image by using training/learning and inference of an artificial neural network diagnose/analyze. In this case, the conversion between medical image reconstruction parameters (protocols) is performed independently of a medical imaging device, and can be performed even in an environment where information about an original medical image cannot be received from a medical imaging device because the medical Imaging device completes a medical image reconstruction process.

Gemäß einem Aspekt der vorliegenden Erfindung wird eine medizinische Bildrekonstruktionsvorrichtung zum Rekonstruieren eines medizinischen Bilds bereitgestellt, um ein Lesen eines medizinischen Bilds zu unterstützen, wobei die medizinische Bildrekonstruktionsvorrichtung ein Computersystem umfasst. Das Computersystem umfasst: eine Empfängerschnittstelle, die dazu konfiguriert ist, ein erstes medizinisches Bild zu empfangen, auf das ein erster Rekonstruktionsparameter angewandt wird, der daran angepasst ist, einen ersten Läsionstyp zu diagnostizieren oder zu analysieren; und wenigstens einen Prozessor, der dazu konfiguriert ist, einen zweiten Rekonstruktionsparameter, um auf das erste medizinische Bild angewandt zu werden, ansprechend auf einen Diagnoseauftrag für die Diagnose oder Analyse eines zweiten Läsionstyps zu erzeugen. Der wenigstens eine Prozessor stellt einem Benutzer den zweiten Rekonfigurationsparameter über eine Benutzerschnittstelle bereit, oder erzeugt ein zweites medizinisches Bild für die Diagnose oder Analyse des zweiten Läsionstyps durch Ausführen des zweiten Rekonstruktionsparameters an dem ersten medizinischen Bild and stellt dem Benutzer das zweite medizinische Bild über die Benutzerschnittstelle bereit.According to one aspect of the present invention, there is provided a medical image reconstruction device for reconstructing a medical image to support reading of a medical image, the medical image reconstruction device comprising a computer system. The computer system comprises: a receiver interface configured to receive a first medical image to which a first reconstruction parameter adapted to diagnose or analyze a first lesion type is applied; and at least one processor configured to generate a second reconstruction parameter to be applied to the first medical image in response to a diagnostic order for the diagnosis or analysis of a second lesion type. The at least one processor provides a user with the second reconfiguration parameter via a user interface, or generates a second medical image for diagnosis or analysis of the second lesion type by performing the second reconstruction parameter on the first medical image and provides the user with the second medical image via the user interface ready.

Der wenigstens eine Prozessor kann einen zweiten Rekonstruktionsparameter, um auf das erste medizinische Bild angewandt zu werden, ansprechend auf einen Diagnoseauftrag unabhängig von einer medizinischen Bildgebungsvorrichtung erzeugen.The at least one processor may generate a second reconstruction parameter to be applied to the first medical image in response to a diagnostic order independent of a medical imaging device.

Der wenigstens eine Prozessor kann ferner dazu konfiguriert sein, eine Information über den ersten Rekonstruktionsparameter aus der empfangenen Information des ersten medizinischen Bilds zu identifizieren. Der wenigstens eine Prozessor kann ferner dazu konfiguriert sein, die Information über den ersten Rekonstruktionsparameter und den Diagnoseauftrag zu einem ersten künstlichen neuronalen Netzwerk zu transferieren und das erste künstliche neuronale Netzwerk dazu zu steuern, den zweiten Rekonstruktionsparameter basierend auf der Information über den ersten Rekonstruktionsparameter und dem Diagnoseauftrag zu erzeugen.The at least one processor may further be configured to identify information about the first reconstruction parameter from the received information of the first medical image. The at least one processor can also be configured to transfer the information about the first reconstruction parameter and the diagnostic task to a first artificial neural network and to control the first artificial neural network to calculate the second reconstruction parameter based on the information about the first reconstruction parameter and the generate a diagnostic job.

Der wenigstens eine Prozessor kann ferner dazu konfiguriert sein, eine Information über den ersten Läsionstyp, eine Information über den zweiten Läsionstyp, und die Information über den ersten Rekonstruktionsparameter zu dem ersten künstlichen neuronalen Netzwerk zu transferieren. Der wenigstens eine Prozessor kann ferner dazu konfiguriert sein, das erste künstliche neuronale Netzwerk dazu zu steuern, den zweiten Rekonstruktionsparameter durch Umwandeln des ersten Rekonstruktionsparameters basierend auf der Information über den ersten Läsionstyp, der Information über den zweiten Läsionstyp und der Information über den ersten Rekonstruktionsparameter zu erzeugen.The at least one processor may be further configured to transfer information about the first lesion type, information about the second lesion type, and the information about the first reconstruction parameter to the first artificial neural network. The at least one processor may be further configured to control the first artificial neural network to generate the second reconstruction parameter by converting the first reconstruction parameter based on the first lesion type information, the second lesion type information, and the first reconstruction parameter information generate.

Das erste künstliche neuronale Netzwerk kann ein künstliches neuronales Netzwerk sein, das eine Vielzahl von Trainingsdatensätzen empfangen hat, umfassend einen ersten Trainingsrekonstruktionsparameter, der abgeleitet wurde, um den ersten Läsionstyp für ein ursprüngliches medizinisches Bild zu diagnostizieren oder zu analysieren, und einen zweiten Trainingsrekonstruktionsparameter, der abgeleitet wurde, um den zweiter Läsionstyp für das ursprüngliche medizinische Bild zu diagnostizieren oder zu analysieren. Außerdem kann das erste künstliche neuronale Netzwerk ein künstliches neuronales Netzwerk sein, das die Korrelation zwischen dem ersten Trainingsrekonstruktionsparameter und dem zweiten Trainingsrekonstruktionsparameter entsprechend der Korrelation zwischen den ersten Läsionstyp und dem zweiten Läsionstyp gelernt hat.The first artificial neural network may be an artificial neural network that has received a plurality of training data sets comprising a first training reconstruction parameter derived to diagnose or analyze the first lesion type for an original medical image and a second training reconstruction parameter that was derived to diagnose or analyze the second lesion type for the original medical image. In addition, the first artificial neural network may be an artificial neural network that has learned the correlation between the first training reconstruction parameter and the second training reconstruction parameter according to the correlation between the first lesion type and the second lesion type.

Das Computersystem kann ferner ein zweites künstliches neuronales Netzwerk umfassen, das dazu konfiguriert ist, eine medizinische Bildanalyse an dem zweiten medizinischen Bild ansprechend auf den Diagnoseauftrag durchzuführen. Der wenigstens eine Prozessor kann ferner dazu konfiguriert sein, das zweite medizinische Bild in das zweite künstliche neuronale Netzwerk einzugeben und das zweite künstliche neuronale Netzwerk so zu steuern, dass das zweite künstliche neuronale Netzwerk ein medizinisches Bildanalyseergebnis für das zweite medizinische Bild erzeugt. In diesem Fall kann die medizinische Bildanalyse des ersten medizinischen Bilds durch ein anderes künstliches neuronales Netzwerk innerhalb des Computersystems oder durch noch ein anderes künstliches neuronales Netzwerk außerhalb des Computersystems ausgeführt werden.The computer system may further include a second artificial neural network configured to perform medical image analysis to be performed on the second medical image in response to the diagnostic order. The at least one processor may be further configured to input the second medical image to the second artificial neural network and to control the second artificial neural network such that the second artificial neural network generates a medical image analysis result for the second medical image. In this case, the medical image analysis of the first medical image can be performed by another artificial neural network inside the computer system or by yet another artificial neural network outside the computer system.

Gemäß einer Ausführungsform der vorliegenden Erfindung kann das Computersystem ferner eine Übertragungsschnittstelle umfassen, die dazu konfiguriert ist, Daten nach außen zu übertragen.According to an embodiment of the present invention, the computer system may further include a transmission interface configured to transmit data to the outside.

In diesem Fall kann der wenigstens eine Prozessor ferner dazu konfiguriert sein, den zweiten Rekonstruktionsparameter oder das zweite medizinische Bild einem dritten künstlichen neuronalen Netzwerk über die Übertragungsschnittstelle oder die Benutzerschnittstelle ansprechend auf den Diagnoseauftrag bereitzustellen. Der wenigstens eine Prozessor kann ferner dazu konfiguriert sein, ein medizinisches Bildanalyseergebnis, das durch Inferenz ansprechend auf den Diagnoseauftrag durch das dritte künstliche neuronale Netzwerk erhalten wurde, über die Empfängerschnittstelle zu empfangen.In this case, the at least one processor can be further configured to provide the second reconstruction parameter or the second medical image to a third artificial neural network via the transmission interface or the user interface in response to the diagnostic order. The at least one processor may be further configured to receive, via the receiver interface, a medical image analysis result obtained through inference in response to the diagnostic task by the third artificial neural network.

Der Diagnoseauftrag kann basierend auf einem Benutzerbefehl bestimmt werden, der von dem Benutzer über die Benutzerschnittstelle eingegeben wird, oder kann basierend auf einer vorgegebenen Information, die durch den wenigstens einen Prozessor verwaltet wird, und einer Information über den ersten Läsionstyp bestimmt werden.The diagnostic order may be determined based on a user command entered by the user via the user interface, or may be determined based on predetermined information maintained by the at least one processor and information about the first lesion type.

Der wenigstens eine Prozessor kann ferner dazu konfiguriert sein, 1) die Ergebnisse der Diagnose oder Analyse des ersten Läsionstyps, die an dem ersten medizinischen Bild durchgeführt wurde, und 2) die Ergebnisse der Diagnose oder Analyse des zweiten Läsionstyps, die an dem zweiten medizinischen Bild durchgeführt wurde, zusammen dem Benutzer über die Benutzerschnittstelle bereitzustellen.The at least one processor may be further configured to process 1) the results of the first lesion type diagnosis or analysis performed on the first medical image, and 2) the results of the second lesion type diagnosis or analysis performed on the second medical image has been carried out to provide together to the user via the user interface.

Der wenigstens eine Prozessor kann ferner dazu konfiguriert sein, wenn der Benutzer den zweiten Rekonstruktionsparameter genehmigt, wenigstens einen/eines des zweiten Rekonstruktionsparameters und des zweiten medizinischen Bild in einer medizinischen Bilddatenbank in Zusammenhang mit dem ersten medizinischen Bild und dem zweiten Rekonstruktionsparameter zu speichern. Die medizinische Bilddatenbank kann ein Bildarchivierungskommunikationssystem (Picture Archive Communication System; PACS) sein.The at least one processor may be further configured, when the user approves the second reconstruction parameter, to store at least one of the second reconstruction parameter and the second medical image in a medical image database associated with the first medical image and the second reconstruction parameter. The medical image database may be a Picture Archive Communication System (PACS).

Gemäß einem anderen Aspekt der vorliegenden Erfindung wird eine medizinische Bildrekonstruktionsvorrichtung zum Rekonstruieren eines medizinischen Bild bereitgestellt, um ein Lesen eines medizinischen Bilds basierend auf einem medizinischen künstlichen neuronalen Netzwerk zu unterstützen. Die medizinische Bildrekonstruktionsvorrichtung umfasst ein Computersystem. Das Computersystem umfasst: eine Empfängerschnittstelle, die dazu konfiguriert ist, eine Vielzahl von Trainingsdatensätzen zu empfangen, umfassend einen ersten Trainingsrekonstruktionsparameter, der abgeleitet wurde, um einen ersten Läsionstyp für ein ursprüngliches medizinisches Bild zu diagnostizieren oder zu analysieren, und einen zweiten Trainingsrekonstruktionsparameter, der abgeleitet wurde, um einen zweiten Läsionstyp für das ursprüngliche medizinische Bild zu diagnostizieren oder zu analysieren; wenigstens einen Prozessor; und ein künstliches neuronales Netzwerk.According to another aspect of the present invention, there is provided a medical image reconstruction apparatus for reconstructing a medical image to support reading of a medical image based on a medical artificial neural network. The medical image reconstruction device includes a computer system. The computer system includes: a receiver interface configured to receive a plurality of training data sets including a first training reconstruction parameter derived to diagnose or analyze a first lesion type for an original medical image and a second training reconstruction parameter derived used to diagnose or analyze a second lesion type for the original medical image; at least one processor; and an artificial neural network.

Der wenigstens eine Prozessor kann ferner dazu konfiguriert sein, die Vielzahl von Trainingsdatensätzen zu dem künstlichen neuronalen Netzwerk zu transferieren und das künstliche neuronale Netzwerk dazu zu steuern, die Korrelation zwischen dem ersten Trainingsrekonstruktionsparameter und dem zweiten Trainingsrekonstruktionsparameter entsprechend der Korrelation zwischen den ersten Läsionstyp und dem zweiten Läsionstyp zu lernen.The at least one processor may be further configured to transfer the plurality of training data sets to the artificial neural network and to control the artificial neural network to determine the correlation between the first training reconstruction parameter and the second training reconstruction parameter according to the correlation between the first lesion type and the second learn lesion type.

Gemäß noch einem weiteren Aspekt der vorliegenden Erfindung wird ein medizinisches Bildrekonstruktionsverfahren zum Rekonstruieren eines medizinischen Bilds bereitgestellt, um ein Lesen eines medizinischen Bilds zu unterstützen, wobei das medizinische Bildrekonstruktionsverfahren durch ein Computersystem ausgeführt wird. Das Computersystem umfasst wenigstens einen Prozessor. Das medizinische Bildrekonstruktionsverfahren umfasst: Empfangen, durch den wenigstens einen Prozessor, eines ersten medizinischen Bilds, auf das ein erster Rekonstruktionsparameter angewandt wird, der daran angepasst ist, einen ersten Läsionstyp zu diagnostizieren oder zu analysieren, über eine Empfängerschnittstelle; und Erzeugen, durch den wenigstens einen Prozessor, eines zweiten Rekonstruktionsparameters, um auf das erste medizinische Bild angewandt zu werden, ansprechend auf einen Diagnoseauftrag für die Diagnose oder Analyse eines zweiten Läsionstyps.According to yet another aspect of the present invention, there is provided a medical image reconstruction method for reconstructing a medical image to support reading of a medical image, the medical image reconstruction method being executed by a computer system. The computer system includes at least one processor. The medical image reconstruction method comprises: receiving, by the at least one processor, via a receiver interface, a first medical image to which a first reconstruction parameter adapted to diagnose or analyze a first lesion type is applied; and generating, by the at least one processor, a second reconstruction parameter to be applied to the first medical image in response to a diagnostic order for the diagnosis or analysis of a second lesion type.

Das Verfahren umfasst ferner ein Bereitstellen, durch den wenigstens einen Prozessor, des zweiten Rekonfigurationsparameters einem Benutzer über eine Benutzerschnittstelle. Oder das Verfahren umfasst ferner ein Erzeugen, durch den wenigstens einen Prozessor, eines zweiten medizinischen Bilds für die Diagnose oder Analyse des zweiten Läsionstyps durch Ausführen des zweiten Rekonstruktionsparameters an dem ersten medizinischen Bild und ein Bereitstellen, durch den wenigstens einen Prozessor, des zweiten medizinischen Bilds dem Benutzer über die Benutzerschnittstelle.The method further includes providing, by the at least one processor, the second reconfiguration parameter to a user via a user interface. Or the ver Driving further includes generating, by the at least one processor, a second medical image for the diagnosis or analysis of the second lesion type by executing the second reconstruction parameter on the first medical image and providing, by the at least one processor, the second medical image to the user via the user interface.

Figurenlistecharacter list

Die obigen und andere Ziele, Merkmale und Vorteile der vorliegenden Erfindung werden aus der folgenden detaillierten Beschreibung in Zusammenhang mit den beigefügten Zeichnungen besser verständlich, in denen:

  • 1 ein Diagramm ist, das einen Workflow zum Durchführen einer medizinischen Bildrekonstruktion und Bereitstellen einer Vielzahl von medizinischen Bildrekonstruktionsparametern umfassend eine medizinische Bildrekonstruktionsvorrichtung gemäß einer Ausführungsform der vorliegenden Erfindung zeigt;
  • 2 ein Blockdiagramm ist, das eine Ausführungsform der medizinischen Bildrekonstruktionsvorrichtung von 1 zeigt;
  • 3 ein Diagramm ist, das einen Trainingsprozess zeigt, in dem eine medizinische Bildrekonstruktionsvorrichtung die Funktion eines Erzeugens eines Rekonstruktionsprotokolls gemäß einer Ausführungsform der vorliegenden Erfindung lernt;
  • 4 ein Blockdiagramm ist, das einen Trainings-/Lernprozess zeigt, der innerhalb der medizinischen Bildrekonstruktionsvorrichtung von 3 ausgeführt wird;
  • 5 ein Diagramm ist, das einen Workflow zum Durchführen eines Rekonstruierens eines medizinischen Bilds und Bereitstellen einer Vielzahl von medizinischen Bildrekonstruktionsparametern umfassend eine medizinische Bildrekonstruktionsvorrichtung gemäß einer Ausführungsform der vorliegenden Erfindung zeigt;
  • 6 ein Beispiel für medizinische Bildrekonstruktionsparameter gemäß einer Ausführungsform der vorliegenden Erfindung zeigt, welches ein Beispiel für medizinische Bildrekonstruktionsparameter und für einen Screenshot einer Diagnose/Analyse eines medizinischen Bilds für ein Lungenkrebs-Screening (Lungenkrebs-Screening; LCS) ist;
  • 7 ein Beispiel für medizinische Bildrekonstruktionsprotokolle gemäß einer Ausführungsform der vorliegenden Erfindung zeigt, welches ein Beispiel für Bildrekonstruktionsparameter und für einen entsprechenden Screenshot einer Diagnose/Analyse eines medizinischen Bilds für ein Koronararterienverkalkungs (coronary artery calcification; CAC)-Scoring basierend auf den medizinischen Bildern von 6 ist, die für ein Lungenkrebs-Screening empfangen wurden; und
  • 8 ein Beispiel für medizinische Bildrekonstruktionsprotokolle gemäß einer Ausführungsform der vorliegenden Erfindung zeigt, welches ein Beispiel für medizinische Bildrekonstruktionsprotokolle und für einen entsprechenden Screenshot einer Diagnose/Analyse eines medizinischen Bilds zum Diagnostizieren eines Emphysems oder einer chronisch obstruktiven Lungenerkrankung (chronic obstructive pulmonary disease; COPD) durch Messen/Analysieren eines Emphysemindexes basierend auf dem medizinischen Bildern von 6 ist, die für ein Lungenkrebs-Screening empfangen wurden.
The above and other objects, features and advantages of the present invention will be better understood from the following detailed description taken in conjunction with the accompanying drawings, in which:
  • 1 Figure 12 is a diagram showing a workflow for performing medical image reconstruction and providing a plurality of medical image reconstruction parameters including a medical image reconstruction apparatus according to an embodiment of the present invention;
  • 2 FIG. 12 is a block diagram showing an embodiment of the medical image reconstruction apparatus of FIG 1 indicates;
  • 3 Fig. 12 is a diagram showing a training process in which a medical image reconstruction apparatus learns the function of generating a reconstruction log according to an embodiment of the present invention;
  • 4 FIG. 14 is a block diagram showing a training/learning process implemented within the medical image reconstruction apparatus of FIG 3 is performed;
  • 5 13 is a diagram showing a workflow for performing a medical image reconstruction and providing a plurality of medical image reconstruction parameters including a medical image reconstruction apparatus according to an embodiment of the present invention;
  • 6 Figure 12 shows an example of medical image reconstruction parameters according to an embodiment of the present invention, which is an example of medical image reconstruction parameters and a screenshot of a diagnosis/analysis of a medical image for lung cancer screening (Lung Cancer Screening; LCS);
  • 7 Figure 12 shows an example of medical image reconstruction protocols according to an embodiment of the present invention, showing an example of image reconstruction parameters and a corresponding screenshot of a diagnosis/analysis of a medical image for coronary artery calcification (CAC) scoring based on the medical images of 6 is received for lung cancer screening; and
  • 8th shows an example of medical image reconstruction logs according to an embodiment of the present invention, showing an example of medical image reconstruction logs and a corresponding screenshot of a diagnosis/analysis of a medical image for diagnosing emphysema or chronic obstructive pulmonary disease (COPD) by measurement /Analyzing an emphysema index based on the medical imagery of 6 is received for lung cancer screening.

DETAILLIERTE BESCHREIBUNG DER OFFENBARUNGDETAILED DESCRIPTION OF THE DISCLOSURE

Andere Ziele als die oben beschriebenen Ziele und die Merkmale der vorliegenden Erfindung werden aus der folgenden Beschreibung von Ausführungsformen offensichtlich, die unter Bezugnahme auf die beigefügten Zeichnungen erfolgt.Objects other than the above-described objects and features of the present invention will become apparent from the following description of embodiments made with reference to the accompanying drawings.

Ausführungsformen der vorliegenden Erfindung werden nachstehend detailliert unter Bezugnahme auf die beigefügten Zeichnungen beschrieben. In der folgenden Beschreibung wird, wenn bestimmt wird, dass eine detaillierte Beschreibung einer verwandten bekannten Komponente oder Funktion unnötigerweise den Kern der vorliegenden Erfindung unklar macht, diese weggelassen.Embodiments of the present invention will be described below in detail with reference to the accompanying drawings. In the following description, when it is determined that a detailed description of a related known component or function will unnecessarily obscure the gist of the present invention, it will be omitted.

Die Technologie eines Deep Learning/CNN-basierten künstlichen neuronalen Netzwerks, die sich in letzter Zeit schnell entwickelt hat, wird für den Zweck eines Identifizierens eines visuellen Elements in Betracht gezogen, das mit dem menschlichen Auge schwer zu identifizieren ist, wenn es auf das Gebiet des Bildgebens angewandt wird. Es wird erwartet, dass sich die Anwendungsfelder der obigen Technologie auf verschiedene Gebiete, wie etwa Sicherheit, medizinisches Bildgeben und zerstörungsfreies Prüfen, ausweiten.Deep learning/CNN-based artificial neural network technology, which has been rapidly developing recently, is considered for the purpose of identifying a visual element that is difficult to identify with human eyes when it comes to the field of imaging is applied. The application fields of the above technology are expected to expand into various fields such as security, medical imaging, and non-destructive testing.

Beispielsweise gibt es auf dem Gebiet des medizinischen Bildgebens Fälle, wo ein fragliches Gewebe in einem Biopsiezustand nicht unmittelbar als ein Krebsgewebe diagnostiziert wird, sondern erst, nachdem es von einem pathologischen Gesichtspunkt aus betrachtet wird, bestimmt wird, ob es ein Krebsgewebe ist. Obwohl es schwierig ist, mit dem menschlichen Auge zu bestätigen, ob eine entsprechende Zelle in einem medizinischen Bild ein Krebsgewebe ist, gibt es eine Erwartung, dass die Anwendung der Technologie eines künstlichen neuronalen Netzwerks genauere Vorhersageergebnisse als eine Betrachtung mit dem menschlichen Auge erfassen kann.For example, in the field of medical imaging, there are cases where a tissue in question in a biopsy state is not immediately diagnosed as a cancerous tissue but only after it is viewed from a pathological point of view is it determined whether it is a cancerous tissue. Although it is difficult to confirm with the human eye whether a corresponding cell appears in a medical image cancer tissue, there is an expectation that the application of artificial neural network technology can grasp more accurate prediction results than human eye observation.

Es wird erwartet, dass diese Technologie eines künstlichen neuronalen Netzwerks auf den Analyseprozess eines Detektierens einer Krankheit oder Läsion, die mit dem menschlichen Auge in einem medizinischen Bild schwer zu identifizieren ist, eines Segmentierens einer interessierenden Region, wie etwa eines spezifischen Gewebes, und eines Messens der segmentierten Region angewandt wird und diesen durchführt.This artificial neural network technology is expected to be applied to the analysis process of detecting a disease or lesion difficult to identify with human eyes in a medical image, segmenting a region of interest such as a specific tissue, and measuring of the segmented region is applied and performs it.

Ein medizinisches Bild kann für die Diagnose einer Krankheit oder Läsion erst nach einem Durchlaufen des Prozesses eines Umwandelns eines Satzes von Signalen, die von einer medizinischen Bildgebungsvorrichtung, wie etwa einem CT-Scanner, einem MRI-Scanner oder einem Ultraschall-Scanner, erhalten wurden, in einen Zustand verwendet werden, der dazu geeignet ist, dass eine medizinische Fachkraft sie erkennt. In diesem Fall variiert sogar für ursprüngliche Daten oder ein ursprüngliches medizinisches Bild, die aus demselben Körperteil erhalten wurden, ein Protokoll zum Rekonstruieren eines medizinischen Bilds abhängig von dem Typ von Krankheit/Läsion, die zu diagnostizieren oder detektieren ist.A medical image can be used for diagnosis of a disease or lesion only after going through the process of converting a set of signals obtained from a medical imaging device such as a CT scanner, an MRI scanner, or an ultrasound scanner. used in a condition suitable for recognition by a healthcare professional. In this case, even for original data or an original medical image obtained from the same body part, a protocol for reconstructing a medical image varies depending on the type of disease/lesion to be diagnosed or detected.

Die vorliegende Erfindung stellt eine Plattform bereit, die eine Rekonstruktion in die am besten geeignete Form für ein Lesen einer spezifischen Krankheit/Läsion durch eine menschliche Fachkraft unter Verwendung verschiedener Analysetechniken für medizinische Bilder durchführen kann. In diesem Prozess kann ein effizienterer Rekonstruktionsparameter (-protokoll) unter Verwendung eines künstlichen neuronalen Netzwerks (ANN) vorgeschlagen werden.The present invention provides a platform that can perform reconstruction into the most appropriate form for a specific disease/lesion reading by a human professional using various medical image analysis techniques. In this process, a more efficient reconstruction parameter (protocol) using an artificial neural network (ANN) can be proposed.

Wenn in der verwandten Technik individuelle Rekonstruktionsparameter (-protokolle) auf ursprüngliche Daten oder ein ursprüngliches medizinisches Bild angewandt werden, können individuelle medizinische Bilder, die in der Lage sind, jeweils eine Vielzahl von Läsionen zu diagnostizieren, aus den einen ursprünglichen medizinischen Bild erzeugt werden. Wenn jedoch ein Rekonstruktionsprozess beendet worden ist und eine Sitzung in einer medizinischen Bildgebungsvorrichtung abgeschlossen ist, ist das ursprüngliche medizinische Bild verloren und kann kein Rekonstruktionsprozess mehr durchgeführt werden.In the related art, when individual reconstruction parameters (protocols) are applied to original data or an original medical image, individual medical images each capable of diagnosing a plurality of lesions can be generated from the one original medical image. However, when a reconstruction process has ended and a session in a medical imaging device is completed, the original medical image is lost and a reconstruction process can no longer be performed.

Die vorliegende Erfindung kann exzellente Effekte verglichen mit der verwandten Technik wenigstens in den folgenden Fällen aufweisen. Selbstverständlich ist es für die Fachleute aus der Offenbarung der vorliegenden Erfindung offensichtlich, dass die Idee der vorliegenden Erfindung nicht auf die folgenden Beispiele beschränkt ist.The present invention can exhibit excellent effects compared with the related art at least in the following cases. Of course, it is obvious to those skilled in the art from the disclosure of the present invention that the gist of the present invention is not limited to the following examples.

Beispielsweise werden in dem Fall, wo ein Rekonstruktionsparameter (-protokoll) A, ein Rekonstruktionsparameter (-protokoll) B und ein Rekonstruktionsparameter (-protokoll) C vorhanden sind, die in der Lage sind, Krankheiten/Läsionen eines Typs A, eines Typs B und eines Typs C aus einem ursprünglichen medizinischen Bild zu diagnostizieren/detektieren/analysieren, wenn von Anfang an ein Diagnoseauftrag für drei Typen von Krankheiten/Läsionen gegeben wird, drei Versionen von medizinischen Bildern mit jeweils darauf angewandten drei Rekonstruktionsparametern (-protokollen) erzeugt. Im Allgemeinen ist es viel häufiger, dass nur einer oder zwei Rekonfigurationsparameter (-protokolle) angewandt werden.For example, in the case where there are a reconstruction parameter (protocol) A, a reconstruction parameter (protocol) B and a reconstruction parameter (protocol) C capable of treating diseases/lesions of type A, type B and of a type C from an original medical image, when a diagnosis order for three types of diseases/lesions is given from the beginning, three versions of medical images each having three reconstruction parameters (protocols) applied thereto are generated. In general, it is much more common that only one or two reconfiguration parameters (protocols) are applied.

In diesem Fall wird angenommen, dass ein Arzt durch ein Gespräch zwischen einem Patienten und dem Arzt eine vorläufige Diagnose stellt, in der die Möglichkeit einer Krankheit/Läsion eines Typs A am höchsten ist, nur ein Rekonstruktionsparameter (-protokoll) A für die Krankheit/Läsion des Typs A ausgeführt wird und nur ein medizinisches Bild einer Version A erzeugt wird. Falls jedoch, als ein Ergebnis der tatsächlichen Analyse des medizinischen Bilds der Version A, ein Analyseergebnis suggeriert, dass die Möglichkeit Krankheit/Läsion eines Typs B oder Typs C höher als jene der Krankheit/Läsion des Typs A ist, muss ein neues medizinisches Bild erzeugt werden, um ein medizinisches Bild für die Krankheit/Läsion des Typs B oder Typs C zu erfassen (weil eine medizinische Bildgebungsvorrichtung eine Rekonstruktionssitzung bereits abgeschlossen hat und ein ursprüngliches medizinisches Bild verloren ist). Es gibt Bedenken, dass ein derartiges wiederholtes medizinisches Bildgeben einen Patienten einer höheren Strahlungsdosis aussetzt, die der Gesundheit des Patienten schaden kann.In this case, it is assumed that a doctor, through a conversation between a patient and the doctor, makes a preliminary diagnosis in which the possibility of a disease/lesion of type A is highest, only a reconstruction parameter (protocol) A for the disease/ Type A lesion is performed and only one version A medical image is generated. However, if, as a result of the actual analysis of the version A medical image, an analysis result suggests that the possibility of type B or type C disease/lesion is higher than that of type A disease/lesion, a new medical image must be created to acquire a medical image for the type B or type C disease/lesion (because a medical imaging device has already completed a reconstruction session and an original medical image is lost). There is a concern that such repeated medical imaging exposes a patient to a higher dose of radiation, which can harm the patient's health.

Falls demgemäß der Rekonstruktionsparameter (-protokoll) B oder Rekonstruktionsparameter (-protokoll) C, der in der Lage ist, die Krankheit/Läsion des Typs B oder Typs C zu diagnostizieren/detektieren/analysieren, unter Verwendung von nur dem medizinischen Bild der Version A aus dem Rekonstruktionsparameter (-protokoll) A durch Umwandlung erzeugt werden kann, kann ein medizinisches Bild für die Krankheit/Läsion des Typs B oder Typs C erfasst werden und kann die entsprechende Krankheit/Läsion ohne ein neues medizinisches Bildgeben diagnostiziert/detektiert/analysiert werden.Accordingly, if the reconstruction parameter (protocol) B or reconstruction parameter (protocol) C capable of diagnosing/detecting/analyzing the disease/lesion of type B or type C using only the medical image of version A can be generated from the reconstruction parameter (protocol) A by conversion, a medical image for the disease/lesion of type B or type C can be acquired and the corresponding disease/lesion can be diagnosed/detected/analyzed without new medical imaging.

Alternativ kann ein Fall angenommen werden, wo in dem Fall eines medizinischen Untersuchungsprozesses ein Untersuchungskandidat anfangs seine oder ihre Absicht bekundet, nur auf eine Krankheit/Läsion eines Typs A untersucht zu werden, und dann nach einem medizinischen Bildgeben seine/ihre Absicht bekundet, auch auf Krankheiten/Läsionen eines Typs B und eines Typs C untersucht zu werden. Alternativ kann ein Fall angenommen werden, wo, nachdem ein Untersuchungskandidat anfangs seine/ihre Absicht bekundet hat, nur auf eine Krankheit/Läsion eines Typs A untersucht zu werden, medizinisches Personal andere Statistiken und/oder Informationen (z.B. andere Mess-/Untersuchungsergebnisse, die Möglichkeit einer anderen Krankheit/Läsion, die den Lebensstilgewohnheiten des Untersuchungskandidaten zuzuschreiben ist, und/oder dergleichen) des Untersuchungskandidaten überprüft und später nach einem medizinischen Bildgeben bestimmt, dass es eine Notwendigkeit gibt, den Untersuchungskandidaten auf die Krankheiten/Läsionen eines Typs B und eines Typs C zu überprüfen.Alternatively, a case can be adopted where, in the case of a medical examination In the examination process, an examination candidate initially expresses his or her intention to be examined for only a type A disease/lesion and then, after medical imaging, expresses his/her intention to also be examined for type B and type C diseases/lesions . Alternatively, consider a case where, after a screening candidate has initially indicated his/her intention to be screened for only a Type A disease/lesion, medical personnel obtain other statistics and/or information (e.g., other measurement/screening results that possibility of another disease/lesion attributable to the lifestyle habits of the examination candidate, and/or the like) of the examination candidate and later, after taking a medical image, determines that there is a need to check the examination candidate for the diseases/lesions of a type B and a type to check C.

Auch in diesem Fall können Rekonstruktionsparameter (-protokolle) B und C aus einem Rekonstruktionsparameter (-protokoll) A durch Verwendung nur des existierenden medizinischen Bilds einer Version A ohne zusätzliches medizinisches Bildgeben durch Umwandlung abgeleitet werden, so dass es möglich sein kann, die Krankheiten/Läsionen eines Typs B oder eines Typs C basierend auf dem medizinischen Bild zu diagnostizieren/detektieren/analysieren, während nachteilige Effekte auf einen Patienten oder Untersuchungskandidaten minimiert werden.Also in this case, reconstruction parameters (protocols) B and C can be derived from a reconstruction parameter (protocol) A by using only the existing medical image of version A without additional medical imaging through conversion, so it may be possible to eliminate the diseases/ To diagnose/detect/analyze type B or type C lesions based on the medical image while minimizing adverse effects on a patient or examination candidates.

Die Gegenstände, die den Fachleuten vor dem Einreichen der vorliegenden Anmeldung unter der Konfiguration der vorliegenden Erfindung bekannt waren, werden als Teile der Konfiguration der vorliegenden Erfindung darin beschrieben, wenn nötig. Wenn jedoch bestimmt wird, dass die Gegenstände, die für die Fachleute naheliegend sind, den Kern der Erfindung unklar machen können, können Beschreibungen davon weggelassen werden. Zusätzlich können Beschreibungen der hierin weggelassenen Gegenstände ersetzt werden indem angegeben wird, dass sie den Fachleuten über die hierin zitierten Dokumente der verwandten Technik bekannt sind, z.B. die US-Patentanmeldung mit der Veröffentlichungsnummer US 2020/0335201 mit dem Titel „Method for Setting a Medical Imaging Protocol, System for Setting a Medical Instrument, Computer Program and Computer-Readable Medium“, die US-Patentanmeldung mit der Veröffentlichungsnummer US 2020/0311490 mit dem Titel „Apparatus and Method for Sinogram Restoration in Computed Tomography (CT) Using Adaptive Filtering with Deep Learning (DL)“, das US-Patent Nr. US 10,565,477 mit dem Titel „Deep Learning Medical Systems and Methods for Image Reconstruction and Quality Evaluation“, die US-Patentanmeldung mit der Veröffentlichungsnummer US 2019/0369191 mit dem Titel „MRI Reconstruction Using Deep Learning, Generative Adversarial Network and Acquisition Signal Model“ und die US-Patentanmeldung mit der Veröffentlichungsnummer US 2020/0294284 mit dem Titel „Posterior Image Sampling Using Statistical Learning Model“.The matters known to those skilled in the art under the configuration of the present invention prior to filing the present application will be described therein as parts of the configuration of the present invention when necessary. However, if it is determined that the matters obvious to those skilled in the art may obscure the gist of the invention, descriptions thereof may be omitted. In addition, descriptions of matter omitted herein may be replaced by indicating that it is known to those skilled in the art from related art documents cited herein, eg, US Patent Application Publication No. U.S. 2020/0335201 entitled "Method for Setting a Medical Imaging Protocol, System for Setting a Medical Instrument, Computer Program and Computer-Readable Medium," US patent application bearing publication number U.S. 2020/0311490 entitled "Apparatus and Method for Sinogram Restoration in Computed Tomography (CT) Using Adaptive Filtering with Deep Learning (DL)", U.S. Patent No. U.S. 10,565,477 entitled "Deep Learning Medical Systems and Methods for Image Reconstruction and Quality Evaluation," US patent application having publication number U.S. 2019/0369191 entitled "MRI Reconstruction Using Deep Learning, Generative Adversarial Network and Acquisition Signal Model" and US patent application publication number US2020/0294284 entitled "Posterior Image Sampling Using Statistical Learning Model".

In der US-Patentanmeldung mit der Veröffentlichungsnummer US 2020/0311490 mit dem Titel „Apparatus and Method for Sinogram Restoration in Computed Tomography (CT) Using Adaptive Filtering with Deep Learning (DL)“ wird die Tatsache offenbart, dass der Begriff „medizinischer Bildrekonstruktionsparameter (-protokoll)“ sich auf eine Information über den Parameter eines Kernels oder Filters bezieht. Das Rekonstruktionsprotokoll kann sich auf eine Sequenz beziehen, auf die gemäß dem Diagnosezweck eines medizinischen Bilds oder eines Diagnoseauftrags eine Vielzahl von Parametern angewandt wird.In US patent application publication number U.S. 2020/0311490 entitled "Apparatus and Method for Sinogram Restoration in Computed Tomography (CT) Using Adaptive Filtering with Deep Learning (DL)" discloses the fact that the term "medical image reconstruction parameter (protocol)" refers to information about the parameter of a kernels or filters. The reconstruction protocol may refer to a sequence to which a variety of parameters are applied according to the diagnostic purpose of a medical image or diagnostic order.

Einige der Gegenstände, die in diesen Dokumenten der verwandten Technik offenbart sind, sind auf die Probleme bezogen, die durch die vorliegende Erfindung zu lösen sind, und einige der Lösungen, die durch die vorliegende Erfindung übernommen wurden, werden auch auf die Dokumente der verwandten Technik angewandt.Some of the matters disclosed in these related art documents are related to the problems to be solved by the present invention, and some of the solutions adopted by the present invention are also applied to the related art documents applied.

In der folgenden Beschreibung, die in Zusammenhang mit 1 bis 8 erfolgt, können Beschreibungen der Gegenstände, die als gut bekannte Techniken betrachtet werden, die auf dem technischen Gebiet der vorliegenden Erfindung weithin bekannt sind, weggelassen werden, wenn nötig, um zu verhindern, dass der Kern der vorliegenden Erfindung unklar wird, oder können durch Zitieren von Dokumenten der verwandten Technik ersetzt werden.In the following description related to 1 until 8th is made, descriptions of the matters considered to be well-known techniques widely known in the technical field of the present invention may be omitted if necessary to prevent the gist of the present invention from becoming unclear, or may be cited by citation be replaced by related art documents.

Zusätzlich können einige oder alle der Konfigurationen der vorstehend zitierten Dokumente der verwandten Technik und nachstehend zu zitierender Dokumente der verwandten Technik auf einige der Ziele bezogen sein, die durch die vorliegende Erfindung zu erreichen sind, und können einige der Lösungen, die durch die vorliegende Erfindung übernommen wurden, den Dokumenten der verwandten Technik entlehnt sein.In addition, some or all of the configurations of the related art documents cited above and related art documents to be cited below may be related to some of the objects to be achieved by the present invention and may be some of the solutions adopted by the present invention may be borrowed from the related art documents.

Nur die Gegenstände, die unter jenen, die in den Dokumenten der verwandten Technik offenbart sind, auch umfasst sind, um die vorliegende Erfindung zu verkörpern, werden als Teile der Konfiguration der vorliegenden Erfindung betrachtet.Only the items that are also included among those disclosed in the related art documents to embody the present invention are regarded as parts of the configuration of the present invention.

Einzelheiten der vorliegenden Erfindung werden nachstehend unter Bezugnahme auf die Ausführungsformen von 1 bis 8 beschrieben.Details of the present invention are described below with reference to the embodiments of FIG 1 until 8th described.

1 ist ein Diagramm, das einen Workflow zum Durchführen einer medizinischen Bildrekonstruktion und Bereitstellen einer Vielzahl von medizinischen Bildrekonstruktionsparametern umfassend eine medizinische Bildrekonstruktionsvorrichtung 110 gemäß einer Ausführungsform der vorliegenden Erfindung zeigt. 1 1 is a diagram showing a workflow for performing medical image reconstruction and providing a plurality of medical image reconstruction parameters including a medical image reconstruction apparatus 110 according to an embodiment of the present invention.

Die medizinische Bildrekonstruktionsvorrichtung 110 gemäß einer Ausführungsform der vorliegenden Erfindung rekonstruiert ein medizinisches Bild, um das Lesen des medizinischen Bilds zu unterstützen. Eine medizinische Bildgebungsvorrichtung 150 erzeugt ein erstes medizinisches Bild eines Rekonstruktionstyps I durch Anwenden und Ausführen eines Rekonstruktionsparameters I basierend auf dem Typ/der Art einer zu diagnostizierenden Krankheit/Läsion. Das erste medizinische Bild, das durch die medizinische Bildgebungsvorrichtung 150 erzeugt wurde, wird in einer medizinischen Bilddatenbank 130 gespeichert, und kann von der medizinischen Bilddatenbank 130 ansprechend auf einen Aufruf von der medizinischen Bildrekonstruktionsvorrichtung 110 zu der medizinischen Bildrekonstruktionsvorrichtung 110 übertragen werden. In diesem Fall kann die medizinische Bilddatenbank 130 ein Bildarchivierungskommunikationssystem (Picture Archive Communication System; PACS) sein.The medical image reconstructing device 110 according to an embodiment of the present invention reconstructs a medical image to support reading of the medical image. A medical imaging apparatus 150 generates a first medical image of a reconstruction type I by applying and executing a reconstruction parameter I based on the type/type of disease/lesion to be diagnosed. The first medical image generated by the medical imaging device 150 is stored in a medical image database 130 and may be transmitted from the medical image database 130 to the medical image reconstruction device 110 in response to a call from the medical image reconstruction device 110 . In this case, the medical image database 130 may be a Picture Archive Communication System (PACS).

Die medizinische Bildrekonstruktionsvorrichtung 110 kann einen zweiten Rekonstruktionsparameter und/oder einen dritten Rekonstruktionsparameter, um auf das erste medizinische Bild angewandt zu werden, ansprechend auf einen Diagnoseauftrag unabhängig von der medizinischen Bildgebungsvorrichtung 150 erzeugen. Die medizinische Bildrekonstruktionsvorrichtung 110 kann den zweiten Rekonstruktionsparameter und/oder den dritten Rekonstruktionsparameter, um auf das erste medizinische Bild angewandt zu werden, durch Umwandeln des ersten Rekonstruktionsparameters erzeugen, und kann das zweite medizinische Bild durch Anwenden des ersten Rekonstruktionsparameters auf das erste medizinische Bild erzeugen. Da in diesem Fall eine Rekonstruktionssitzung in der medizinische Bildgebungsvorrichtung 150 bereits beendet worden ist, sind ursprüngliche medizinische Bilddaten bereits verloren und kann die zusätzliche Rekonstruktion an dem ersten medizinischen Bild durch die medizinische Bildgebungsvorrichtung 150 nicht durchgeführt werden.The medical image reconstruction device 110 may generate a second reconstruction parameter and/or a third reconstruction parameter to be applied to the first medical image in response to a diagnostic order independently of the medical imaging device 150 . The medical image reconstruction apparatus 110 can generate the second reconstruction parameter and/or the third reconstruction parameter to be applied to the first medical image by converting the first reconstruction parameter, and can generate the second medical image by applying the first reconstruction parameter to the first medical image. In this case, since a reconstruction session in the medical imaging device 150 has already ended, original medical image data is already lost and the additional reconstruction cannot be performed on the first medical image by the medical imaging device 150 .

2 ist ein Blockdiagramm, das eine Ausführungsform der medizinischen Bildrekonstruktionsvorrichtung 110 von 1 zeigt. 2 12 is a block diagram showing an embodiment of the medical image reconstruction apparatus 110 of FIG 1 indicates.

Bezugnehmend auf 2 ist die medizinische Bildrekonstruktionsvorrichtung 110 gemäß der vorliegenden Ausführungsform eine Vorrichtung zum Rekonstruieren eines medizinischen Bilds, um das Lesen des medizinischen Bilds zu unterstützen, und kann ein Computersystem (nicht gezeigt) umfassen. Das in der medizinischen Bildrekonstruktionsvorrichtung 110 umfasste Computersystem kann eine Empfängerschnittstelle 250, wenigstens einen Prozessor 210 und ein erstes künstliches neuronales Netzwerk 230 umfassen. Zusätzlich kann die medizinische Bildrekonstruktionsvorrichtung 110 ferner eine Benutzerschnittstelle 270 umfassen. Obwohl in 2 nicht gezeigt, kann die medizinische Bildrekonstruktionsvorrichtung 110 ferner eine Übertragungsschnittstelle umfassen, die dazu konfiguriert ist, Daten nach außen zu übertragen. Die Benutzerschnittstelle 270 kann ein Display, einen Touchscreen, eine Tastatur, eine Maus, einen Trackball, eine virtuelle Tastatur und so weiter umfassen.Referring to 2 For example, the medical image reconstructing device 110 according to the present embodiment is a device for reconstructing a medical image to support reading of the medical image, and may include a computer system (not shown). The computer system included in the medical image reconstruction apparatus 110 may include a receiver interface 250, at least one processor 210 and a first artificial neural network 230. In addition, the medical image reconstruction device 110 may further include a user interface 270 . Although in 2 not shown, the medical image reconstruction apparatus 110 may further include a transmission interface configured to transmit data to the outside. User interface 270 may include a display, touch screen, keyboard, mouse, trackball, virtual keyboard, and so on.

Bezugnehmend auf 1 und 2 zusammen empfängt die Empfängerschnittstelle 250 das erste medizinische Bild, auf das ein erster Rekonstruktionsparameter angewandt wird, der daran angepasst ist, einen ersten Läsionstyp zu diagnostizieren oder zu analysieren. Der wenigstens eine Prozessor 210 erzeugt einen zweiten Rekonstruktionsparameter, um auf das erste medizinische Bild angewandt zu werden, ansprechend auf einen Diagnoseauftrag für die Diagnose oder Analyse eines zweiten Läsionstyps. Beim Erzeugen des zweiten Rekonstruktionsparameters kann der wenigstens eine Prozessor 210 den zweiten Rekonstruktionsparameter durch Umwandeln des ersten Rekonstruktionsparameters in Zusammenwirken mit dem ersten künstlichen neuronalen Netzwerk 230 erzeugen.Referring to 1 and 2 together, the receiver interface 250 receives the first medical image to which a first reconstruction parameter adapted to diagnose or analyze a first lesion type is applied. The at least one processor 210 generates a second reconstruction parameter to be applied to the first medical image in response to a diagnostic order for the diagnosis or analysis of a second lesion type. In generating the second reconstruction parameter, the at least one processor 210 may generate the second reconstruction parameter by converting the first reconstruction parameter in cooperation with the first artificial neural network 230.

Der wenigstens eine Prozessor 210 kann den zweiten Rekonfigurationsparameter dem Benutzer über die Benutzerschnittstelle 270 bereitstellen. Beispielsweise kann der wenigstens eine Prozessor 210 eine Information des zweiten Rekonfigurationsparameters dem Benutzer über das Display bereitstellen und der Benutzer kann den zweiten Rekonfigurationsparameter an eine andere Computervorrichtung senden, um den zweiten Rekonfigurationsparameter auf das erste medizinische Bild anzuwenden und ein zweites medizinisches Bild zu erzeugen. Der Benutzer kann den zweiten Rekonfigurationsparameter über die Benutzerschnittstelle 270 vor Anwenden von diesem auf das erste medizinische Bild und/oder Senden von diesem zu der anderen Computervorrichtung genehmigen, anpassen oder modifizieren.The at least one processor 210 can provide the second reconfiguration parameter to the user via the user interface 270 . For example, the at least one processor 210 may provide information of the second reconfiguration parameter to the user via the display and the user may send the second reconfiguration parameter to another computing device to apply the second reconfiguration parameter to the first medical image and generate a second medical image. The user may approve, adjust, or modify the second reconfiguration parameter via user interface 270 prior to applying it to the first medical image and/or sending it to the other computing device.

Andernfalls kann der wenigstens eine Prozessor 210 automatisch und/oder interaktiv ein zweites medizinisches Bild für die Diagnose oder Analyse eines zweiten Läsionstyps durch Ausführen des zweiten Rekonstruktionsparameters an dem ersten medizinischen Bild erzeugen und das zweite medizinische Bild dem Benutzer über die Benutzerschnittstelle 270 bereitstellen. In anderen Worten kann eine Anwendung, die den zweiten Rekonstruktionsparameter über die Benutzerschnittstelle 270 empfangen hat, ein zweites medizinisches Bild durch Ausführen des zweiten Rekonstruktionsparameters erzeugen, oder das zweite medizinische Bild kann innerhalb der medizinischen Bildrekonstruktionsvorrichtung 110 erzeugt und dann über die Benutzerschnittstelle 270 zu einer externen Anwendung transferiert werden.Otherwise, the at least one processor 210 can automatically and/or interactively generate a second medical image for diagnosis or analysis of a second lesion type by executing the generate a second reconstruction parameter on the first medical image and provide the second medical image to the user via the user interface 270 . In other words, an application that has received the second reconstruction parameter via the user interface 270 can generate a second medical image by executing the second reconstruction parameter, or the second medical image can be generated within the medical image reconstruction device 110 and then via the user interface 270 to an external one application are transferred.

Der wenigstens eine Prozessor 210 kann einen zweiten Rekonstruktionsparameter, um auf das erste medizinische Bild angewandt zu werden, ansprechend auf einen Diagnoseauftrag unabhängig von der medizinischen Bildgebungsvorrichtung 150 erzeugen.The at least one processor 210 may generate a second reconstruction parameter to be applied to the first medical image in response to a diagnostic order independent of the medical imaging device 150 .

Der Diagnoseauftrag kann basierend auf einem Benutzerbefehl bestimmt werden, der von dem Benutzer über die Benutzerschnittstelle 270 empfangen wurde. Alternativ kann der Diagnoseauftrag basierend auf einer vorgegebenen Information, die durch den wenigstens einen Prozessor 270 verwaltet wird, und einer Information über den ersten Läsionstyp bestimmt werden.The diagnostic job may be determined based on a user command received from the user via user interface 270 . Alternatively, the diagnostic order may be determined based on predetermined information managed by the at least one processor 270 and information about the first lesion type.

Der wenigstens eine Prozessor 210 kann: 1) die Ergebnisse der Diagnose oder Analyse des ersten Läsionstyps, die an dem ersten medizinischen Bild durchgeführt wurde; und 2) die Ergebnisse der Diagnose oder Analyse des zweiten Läsionstyps, die an dem zweiten medizinischen Bild durchgeführt wurde, zusammen dem Benutzer über die Benutzerschnittstelle 270 bereitstellen.The at least one processor 210 may: 1) the results of the diagnosis or analysis of the first lesion type performed on the first medical image; and 2) provide the results of the diagnosis or analysis of the second lesion type performed on the second medical image together via the user interface 270 to the user.

Wenn der Benutzer wenigstens einen/eines des zweiten Rekonstruktionsparameters und des zweiten medizinischen Bilds genehmigt, kann der wenigstens eine Prozessor 210 wenigstens einen/eines des zweiten Rekonstruktionsparameters und des zweiten medizinischen Bilds in der medizinischen Bilddatenbank 130 in Zusammenhang mit dem ersten medizinischen Bild und dem zweiten Rekonstruktionsparameter speichern. Die medizinische Bilddatenbank 130 kann ein PACS sein.If the user approves at least one of the second reconstruction parameter and the second medical image, the at least one processor 210 may store at least one of the second reconstruction parameter and the second medical image in the medical image database 130 in association with the first medical image and the second Save reconstruction parameters. Medical image database 130 may be a PACS.

In diesem Fall kann, obwohl der Benutzer eine medizinische Fachkraft, wie etwa ein Kliniker oder ein Radiologe, sein kann, der Benutzer eine Hilfskraft sein, die nur über Wissen verfügt, das ausreichend ist, um zu überprüfen, ob eine grundlegende Vorverarbeitung, wie etwa eine Bildsegmentierung innerhalb einer angemessenen Spanne abhängig von einem zu diagnostizierenden Objekt durchgeführt worden ist. In anderen Worten kann eine Person die Rekonstruktionsparameter der vorliegenden Erfindung genehmigen und in dem in der vorliegenden Erfindung gemeinten Benutzer umfasst sein, solange die Person über kein klinisches Wissen verfügt, aber einen Grad an Repräsentativität aufweist, der ausreichend ist, um zu überprüfen, ob eine hauptsächliche visuelle Information für einen spezifischen Diagnoseauftrag durch einen entsprechende Rekonstruktionsparameter in geeigneter Weise repräsentiert worden ist.In this case, although the user can be a medical professional, such as a clinician or a radiologist, the user can be a paramedic who only has knowledge sufficient to verify that basic preprocessing, such as image segmentation has been performed within a reasonable margin depending on an object to be diagnosed. In other words, a person can approve the reconstruction parameters of the present invention and be included in the user contemplated in the present invention, so long as the person has no clinical knowledge but has a level of representativeness sufficient to verify that a main visual information for a specific diagnostic task has been appropriately represented by a corresponding reconstruction parameter.

Der Diagnoseauftrag ist ein Auftrag, der eine zu diagnostizierende Krankheit/Läsion angibt, und kann durch das medizinische Informationssystem oder Auftragskommunikationssystem (order communication system; OCS) eines Krankenhauses transferiert werden, und ein Diagnoseauftrag für eine zusätzliche Krankheit/Läsion kann gemäß vordefinierten internen Regelungen erzeugt werden. Dies kann der Fall sein, wo ein Patient oder eine Person, die untersucht zu werden wünscht, eine zusätzliche Krankheit/Läsion diagnostizieren möchte oder wo ein Mitglied des medizinischen Personals erkennt, dass die Diagnose einer zusätzlichen Krankheit/Läsion notwendig ist.The diagnosis order is an order that specifies a disease/lesion to be diagnosed, and can be transferred through the medical information system or order communication system (OCS) of a hospital, and a diagnosis order for an additional disease/lesion can be generated according to predefined internal regulations will. This may be the case where a patient or person wishing to be examined wishes to diagnose an additional disease/lesion or where a member of the medical staff recognizes that diagnosis of an additional disease/lesion is necessary.

Wenn ein Benutzer eine zu diagnostizierende Krankheit hinzufügt oder auswählt, kann der Prozess wie folgt durchgeführt werden. Der Benutzer kann die Kernel-Information eines gegenwärtig gegebenen medizinischen Bilds und einen für eine Diagnose durch einen Kernel geeigneten Diagnoseauftrag über die Benutzerschnittstelle 270 überprüfen. Wenn der Benutzer einen neuen Diagnoseauftrag zusätzlich zu einem gegebenen Diagnoseauftrag hinzufügen möchte, kann er/sie ihn über die Benutzerschnittstelle 270 hinzufügen. Der wenigstens eine Prozessor 210 kann eine Kernel-Anpassung für einen gegenwärtig gegebenen Kernel durchführen, um einen Kernel abzuleiten, der mit dem durch den Benutzer hinzugefügten neuen Diagnoseauftrag übereinstimmt und für die Diagnose/Detektion/Analyse der Krankheit/Läsion des neuen Diagnoseauftrags geeignet ist.When a user adds or selects a disease to be diagnosed, the process can be performed as follows. The user can check the kernel information of a currently given medical image and a diagnosis job suitable for diagnosis by a kernel via the user interface 270 . If the user wants to add a new diagnostic job in addition to a given diagnostic job, he/she can add it via the user interface 270. The at least one processor 210 may perform a kernel adaptation for a currently given kernel to derive a kernel consistent with the new diagnostic job added by the user and suitable for diagnosis/detection/analysis of the disease/lesion of the new diagnostic job.

Der wenigstens eine Prozessor 210 kann eine Information über den ersten Rekonstruktionsparameter aus der empfangenen Information des ersten medizinischen Bilds identifizieren. Die Information über den ersten Rekonstruktionsparameter kann in der medizinischen Bilddatenbank 130 zusammen mit dem ersten medizinischen Bild basierend auf einem DICOM-Standard gespeichert sein. Demgemäß kann der wenigstens eine Prozessor 210 die Information über den ersten Rekonstruktionsparameter aus dem ersten medizinischen Bild identifizieren. Der wenigstens eine Prozessor 210 kann die Information über den ersten Rekonstruktionsparameter und den Diagnoseauftrag zu dem ersten künstlichen neuronalen Netzwerk 230 übertragen, und kann das erste künstliche neuronale Netzwerk 230 so steuern, dass das erste künstliche neuronale Netzwerk 230 den zweiten Rekonstruktionsparameter basierend auf der Information über den ersten Rekonstruktionsparameter und dem Diagnoseauftrag erzeugt.The at least one processor 210 may identify information about the first reconstruction parameter from the received information of the first medical image. The information about the first reconstruction parameter can be stored in the medical image database 130 together with the first medical image based on a DICOM standard. Accordingly, the at least one processor 210 can identify the information about the first reconstruction parameter from the first medical image. The at least one processor 210 can transmit the information about the first reconstruction parameter and the diagnosis order to the first artificial neural network 230, and can transmit the first artificial neural Control network 230 so that the first artificial neural network 230 generates the second reconstruction parameter based on the information about the first reconstruction parameter and the diagnosis order.

Der wenigstens eine Prozessor 210 kann eine Information über den ersten Typ/die erste Art von Läsion (oder Krankheit, Tumor, bösartigem Gewebe, Polyp und so weiter), eine Information über den zweiten Typ/die zweite Art von Läsion (oder Krankheit, Tumor, bösartigem Gewebe, Polyp und so weiter) und eine Information über den ersten Rekonstruktionsparameter zu dem ersten künstlichen neuronalen Netzwerk 230 übertragen. Der wenigstens eine Prozessor 210 kann das erste künstliche neuronale Netzwerk 230 so steuern, dass das erste künstliche neuronale Netzwerk 230 den zweiten Rekonstruktionsparameter durch Umwandeln des ersten Rekonstruktionsparameter basierend auf der Information über den ersten Typ/die erste Art von Läsion, die Information über den zweiten Typ/die zweite Art von Läsion und die Information über den ersten Rekonstruktionsparameter erzeugt. In diesem Fall kann die Umwandlung zu dem zweiten Rekonstruktionsparameter (-protokoll), die in der medizinischen Bildrekonstruktionsvorrichtung 110 der vorliegenden Erfindung durchgeführt wird, ein Typ von Kernel-Anpassung sein. Die Kernel-Anpassung zwischen Rekonstruktionsparametern (protokollen) wird auf einer Pixel-zu-Pixel-Basis durchgeführt. Wenn kein künstliches neuronales Netzwerk verwendet wird, kann sie in der Form eines Typs von Parameterrelation gegeben werden. Wenn jedoch die Kernel-Anpassung Pixel-mäßig optimiert wird, ist die Informationsmenge riesig, so dass die Information durch einen gewichteten Datensatz eines künstlichen neuronalen Netzwerks gespeichert wird und ein Lernmodell darstellt.The at least one processor 210 may provide information about the first type/type of lesion (or disease, tumor, malignant tissue, polyp, etc.), information about the second type/type of lesion (or disease, tumor , malignant tissue, polyp and so on) and information about the first reconstruction parameter is transmitted to the first artificial neural network 230 . The at least one processor 210 can control the first artificial neural network 230 such that the first artificial neural network 230 obtains the second reconstruction parameter by converting the first reconstruction parameter based on the information about the first type of lesion, the information about the second type/the second type of lesion and the information about the first reconstruction parameter. In this case, the conversion to the second reconstruction parameter (protocol) performed in the medical image reconstruction apparatus 110 of the present invention may be a type of kernel adaptation. Kernel matching between reconstruction parameters (protocols) is performed on a pixel-by-pixel basis. If no artificial neural network is used, it can be given in the form of a type of parameter relation. However, when the kernel adaptation is optimized pixel-by-pixel, the amount of information is huge, so the information is stored by a weighted data set of an artificial neural network and constitutes a learning model.

In diesem Fall gibt es Fälle, in denen einige der verwandten Techniken ein generatives adversarisches neuronales Netzwerk (generative adversarial neural network; GAN) oder ein konditionales generatives adversarisches neuronales Netzwerk (conditional generative adversarial neural network; CGAN) nutzen. Da jedoch ein GAN oder CGAN nicht gänzlich von einem ursprünglichen medizinischen Bild abhängt und ein neues Bild basierend auf dem ursprünglichen medizinischen Bild erzeugt, gibt es ein Risiko, dass klinische Charakteristika, die in dem ursprünglichen medizinischen Bild umfasst sind, verlorengehen können. Die vorliegende Erfindung verwendet kein GAN oder CGAN, im Gegensatz zu den verwandten Techniken, und das erste künstliche neuronale Netzwerk 230 lernt eine Kernel-Anpassungsfunktion und führt eine Kernel-Anpassung basierend auf einem gelernten Ergebnisgewichtungs-Datensatz durch.In this case, there are cases where some of the related techniques utilize a generative adversarial neural network (GAN) or a conditional generative adversarial neural network (CGAN). However, since a GAN or CGAN does not entirely depend on an original medical image and creates a new image based on the original medical image, there is a risk that clinical characteristics included in the original medical image may be lost. The present invention does not use GAN or CGAN unlike the related techniques, and the first artificial neural network 230 learns a kernel adaptation function and performs kernel adaptation based on a learned result weight data set.

Das erste künstliche neuronale Netzwerk 230 kann eine Vielzahl von Trainingsdatensätzen empfangen haben, umfassend einen ersten Trainingsrekonstruktionsparameter, der abgeleitet wurde, um einen ersten Typ/eine erste Art von Läsion für ein ursprüngliches medizinisches Bild zu diagnostizieren oder zu analysieren, and einen zweiten Trainingsrekonstruktionsparameter, der abgeleitet wurde, um einen zweiten Typ/eine zweite Art von Läsion für das ursprüngliche medizinische Bild zu diagnostizieren oder zu analysieren. Das erste künstliche neuronale Netzwerk 230 kann die Korrelation zwischen dem ersten Trainingsrekonstruktionsparameter und dem ersten Typ/der ersten Art von Läsion und die Korrelation zwischen dem zweiten Trainingsrekonstruktionsparameter und dem zweiten Typ/der zweiten Art von Läsion gelernt haben. Außerdem kann das erste künstliche neuronale Netzwerk 230 ein künstliches neuronales Netzwerk sein, das die Korrelation zwischen dem ersten Trainingsrekonstruktionsparameter und dem zweiten Trainingsrekonstruktionsparameter entsprechend der Korrelation zwischen dem ersten Typ/der ersten Art von Läsion und dem zweiten Typ/der zweiten Art von Läsion gelernt hat.The first artificial neural network 230 may have received a plurality of training data sets, including a first training reconstruction parameter derived to diagnose or analyze a first type/type of lesion for an original medical image, and a second training reconstruction parameter that derived to diagnose or analyze a second type/type of lesion for the original medical image. The first artificial neural network 230 may have learned the correlation between the first training reconstruction parameter and the first type/type of lesion and the correlation between the second training reconstruction parameter and the second type/type of lesion. In addition, the first artificial neural network 230 may be an artificial neural network that has learned the correlation between the first training reconstruction parameter and the second training reconstruction parameter according to the correlation between the first type/type of lesion and the second type/type of lesion .

Das Computersystem kann ferner ein zweites künstliches neuronales Netzwerk (nicht gezeigt) umfassen, das eine medizinische Bildanalyse an dem zweiten medizinischen Bild ansprechend auf den Diagnoseauftrag durchführt. Der wenigstens eine Prozessor 210 kann das zweite medizinische Bild in das zweite künstliche neuronale Netzwerk eingeben, und kann das zweite künstliche neuronale Netzwerk so steuern, dass das zweite künstliche neuronale Netzwerk ein medizinisches Bildanalyseergebnis für das zweite medizinische Bild erzeugt. In diesem Fall kann die medizinische Bildanalyse des ersten medizinischen Bilds durch ein anderes künstliches neuronales Netzwerk innerhalb des Computersystems oder durch noch ein anderes künstliches neuronales Netzwerk außerhalb des Computersystems ausgeführt werden.The computer system may further include a second artificial neural network (not shown) that performs medical image analysis on the second medical image in response to the diagnostic order. The at least one processor 210 can input the second medical image into the second artificial neural network, and can control the second artificial neural network so that the second artificial neural network generates a medical image analysis result for the second medical image. In this case, the medical image analysis of the first medical image can be performed by another artificial neural network inside the computer system or by yet another artificial neural network outside the computer system.

In den in 1 and 2 gezeigten Ausführungsformen kann die medizinische Bildrekonstruktionsvorrichtung 110 den ersten Rekonstruktionsparameter in den zweiten Rekonstruktionsparameter umwandeln, um den zweiten Rekonstruktionsparameter zu erzeugen, und kann eine Kernel-Anpassung einen Kernel, der geeignet für die Diagnose/Detektion/Analyse des zweiten Typs/der zweiten Art von Läsion ist, der/die in dem neuen Diagnoseauftrag umfasst ist, als den zweiten Rekonstruktionsparameter erzeugen, ohne den ersten Rekonstruktionsparameter in Betracht zu ziehen. Der Prozess eines Auswählens eines Kernels, der geeignet für die Durchführung der Aufgabe eines neuen Diagnoseauftrags ist, wird nachstehend unter Bezugnahme auf 3 bis 8 beschrieben.in the in 1 1 and 2, the medical image reconstruction apparatus 110 may convert the first reconstruction parameter into the second reconstruction parameter to generate the second reconstruction parameter, and a kernel adaptation may include a kernel suitable for diagnosis/detection/analysis of the second type/type of lesion included in the new diagnosis order as the second reconstruction parameter without considering the first reconstruction parameter. The process of selecting a kernel suitable for performing the task of a new diagnostic job is described below with reference to FIG 3 until 8th described.

3 ist ein Diagramm, das einen Trainingsprozess zeigt, bei dem die medizinische Bildrekonstruktionsvorrichtung 310 die Funktion eines Erzeugens eines Rekonstruktionsparameters gemäß einer Ausführungsform der vorliegenden Erfindung lernt. 3 12 is a diagram showing a training process in which the medical image reconstruction apparatus 310 learns the function of generating a reconstruction parameter according to an embodiment of the present invention.

Die medizinische Bildrekonstruktionsvorrichtung 310 gemäß einer Ausführungsform der vorliegenden Erfindung kann ein medizinisches Bild, um das Lesen des medizinischen Bilds zu unterstützen, basierend auf einem medizinischen künstlichen neuronalen Netzwerk rekonstruieren. Die medizinische Bildrekonstruktionsvorrichtung umfasst ein Computersystem. Das Computersystem kann eine Vielzahl von Trainingsdatensätzen empfangen, umfassend einen ersten Trainingsrekonstruktionsparameter, der abgeleitet wurde, um zu einen ersten Läsionstyp für ein ursprüngliches medizinisches Bild zu diagnostizieren oder zu analysieren, und einen zweiten Trainingsrekonstruktionsparameter, der abgeleitet wurde, um einen zweiten Läsionstyp für das ursprüngliche medizinische Bild zu diagnostizieren oder zu analysieren.The medical image reconstruction apparatus 310 according to an embodiment of the present invention can reconstruct a medical image to support reading of the medical image based on a medical artificial neural network. The medical image reconstruction device includes a computer system. The computer system may receive a plurality of training data sets including a first training reconstruction parameter derived to diagnose or analyze a first lesion type for an original medical image and a second training reconstruction parameter derived to provide a second lesion type for the original medical image to diagnose or analyze.

Die medizinische Bildgebungsvorrichtung 350, die in 3 gezeigt ist, kann ein erstes medizinisches Trainingsbild, ein zweites medizinisches Trainingsbild und ein drittes medizinisches Trainingsbild durch Anwenden und Ausführen eines ersten Trainingsrekonstruktionsparameters, eines zweiten Trainingsrekonstruktionsparameters und eines dritten Trainingsrekonstruktionsparameters auf ein ursprüngliches medizinisches Bild erzeugen. Das erste medizinische Trainingsbild, das zweite medizinische Trainingsbild und das dritte medizinische Trainingsbild, die durch die medizinische Bildgebungsvorrichtung 350 erzeugt wurden, können in der medizinischen Bilddatenbank 330 gespeichert werden und können ansprechend auf eine Anforderung von der medizinischen Bildrekonstruktionsvorrichtung 310 zu der medizinischen Bildrekonstruktionsvorrichtung 310 transferiert werden.The medical imaging device 350 used in 3 shown can generate a first training medical image, a second training medical image, and a third training medical image by applying and executing a first training reconstruction parameter, a second training reconstruction parameter, and a third training reconstruction parameter to an original medical image. The first medical training image, the second medical training image, and the third medical training image generated by the medical imaging device 350 may be stored in the medical image database 330 and may be transferred from the medical image reconstruction device 310 to the medical image reconstruction device 310 in response to a request .

4 ist ein Blockdiagramm, das einen Trainings-/Lernprozess zeigt, der innerhalb der medizinischen Bildrekonstruktionsvorrichtung 310 von 3 ausgeführt wird. 4 FIG. 12 is a block diagram showing a training/learning process implemented within the medical image reconstruction apparatus 310 of FIG 3 is performed.

Die medizinische Bildrekonstruktionsvorrichtung 310 umfasst eine Empfängerschnittstelle 450, die dazu konfiguriert ist, ein erstes medizinisches Trainingsbild, ein zweites medizinisches Trainingsbild und ein drittes medizinisches Trainingsbild zu empfangen, die für ein ursprüngliches medizinisches Bild erzeugt wurden, wenigstens einen Prozessor 410, und ein künstliches neuronales Netzwerk 430. Rekonstruktionsparameter, die zur Erzeugung des individuellen medizinischen Trainingsbilds beitragen, sind in der medizinischen Bilddatenbank 330 basierend auf einem medizinischen Bildstandard gespeichert. In diesem Fall kann die medizinische Bilddatenbank 330 ein System sein, das auf einem Standard wie etwa einem PACS basiert.The medical image reconstruction device 310 comprises a receiver interface 450 configured to receive a first medical training image, a second medical training image and a third medical training image generated for an original medical image, at least one processor 410, and an artificial neural network 430. Reconstruction parameters that contribute to the generation of the individual medical training image are stored in the medical image database 330 based on a medical image standard. In this case, the medical image database 330 may be a system based on a standard such as a PACS.

Der medizinische Bildrekonstruktionsparameter (-protokoll) umfasst eine Information, die erforderlich ist, um ein medizinisches Bild in einem Benutzer-Betrachtungsgerät zu revisualisieren und kann alle der folgenden Informationen umfassen. In dem PACS werden Bedingungen, die beim Bildgeben oder Erzeugen eines medizinischen Bilds verwendet wurden, d.h. eine Dosis, eine verwendete Kernel-Information und eine Anbieter-bezogene Information spezifiziert und zusammen mit dem medizinischen Bild gespeichert. Außerdem kann auch ein Diagnoseauftrag, auf dem jedes erzeugte medizinische Bild basiert, d.h. eine Information über eine unter Verwendung des entsprechenden medizinischen Bilds zu diagnostizierende Krankheit/Läsion, in dem PACS zusammen mit dem medizinischen Bild gespeichert werden.The medical image reconstruction parameter (protocol) includes information required to revisualize a medical image in a user viewer and may include any of the following information. In the PACS, conditions used in imaging or creating a medical image, i.e., a dose, kernel information used, and vendor-related information are specified and stored together with the medical image. In addition, a diagnosis order on which each generated medical image is based, i.e. information about a disease/lesion to be diagnosed using the corresponding medical image, can also be stored in the PACS together with the medical image.

Der wenigstens eine Prozessor 410 transferiert eine Vielzahl von Trainingsdatensätzen zu dem künstlichen neuronalen Netzwerk 430 und steuert das künstliche neuronale Netzwerk 430 so, dass das künstliche neuronale Netzwerk 430 die Korrelation zwischen dem ersten Trainingsrekonstruktionsparameter und dem zweiten Trainingsrekonstruktionsparameter entsprechend der Korrelation zwischen den ersten Läsionstyp und dem zweiten Läsionstyp lernt.The at least one processor 410 transfers a plurality of training data sets to the artificial neural network 430 and controls the artificial neural network 430 such that the artificial neural network 430 calculates the correlation between the first training reconstruction parameter and the second training reconstruction parameter according to the correlation between the first lesion type and the second lesion type learns.

Das künstliche neuronale Netzwerk 430 kann eine Vielzahl von Rekonstruktionsparametern identifizieren, die aus demselben ursprünglichen medizinischen Bild abgeleitet wurden, und kann die Korrelation zwischen den Rekonstruktionsparametern lernen. Da in diesem Fall jeder Rekonstruktionsparameter einen zu diagnostizierenden Diagnoseauftrag umfasst, kann das künstliche neuronale Netzwerk 430 die Korrelation zwischen dem ersten Trainingsrekonstruktionsparameter, der abgeleitet wurde, um den ersten Läsionstyp aus demselben ursprünglich medizinisches Bild zu diagnostizieren oder zu analysieren, und dem zweiten Trainingsrekonstruktionsparameter, der abgeleitet wurde, um den zweiten Läsionstyp aus demselben ursprünglichen medizinischen Bild zu diagnostizieren oder zu analysieren, basierend auf der Korrelation zwischen den ersten Läsionstyp und dem zweiten Läsionstyp lernen. Dieser Trainingsdatensatz wird zu dem künstlichen neuronalen Netzwerk 430 mit einem Diagnoseauftrag (Krankheit/Läsion) und einem Rekonstruktionsparameter getrennt für jedes einer Vielzahl von ursprünglichen medizinischen Bildern transferiert, und das künstliche neuronale Netzwerk 430 kann die Funktion eines Umwandelns des ersten Rekonstruktionsparameters für den ersten Läsionstyp in den zweiten Rekonstruktionsparameter für den zweiten Läsionstyp und die Funktion eines Umwandelns des zweiten Rekonstruktionsparameters für den zweiten Läsionstyp in den ersten Rekonstruktionsparameter für den ersten Läsionstyp lernen.The artificial neural network 430 can identify a plurality of reconstruction parameters derived from the same original medical image and can learn the correlation between the reconstruction parameters. In this case, since each reconstruction parameter includes a diagnostic order to be diagnosed, the artificial neural network 430 can determine the correlation between the first training reconstruction parameter derived to diagnose or analyze the first lesion type from the same original medical image and the second training reconstruction parameter that was derived to diagnose or analyze the second lesion type from the same original medical image based on the correlation between the first lesion type and the second lesion type. This training data set is transferred to the artificial neural network 430 with a diagnosis order (disease/lesion) and a reconstruction parameter separately for each of a plurality of original medical images, and the artificial neural network 430 can perform the function of converting the first reconstruction parameter for the first lesion type into the second Learn reconstruction parameters for the second lesion type and the function of converting the second reconstruction parameter for the second lesion type into the first reconstruction parameter for the first lesion type.

Unterdessen ist in diesem Fall der zum Training verwendete Trainingsdatensatz auf den Fall beschränkt, wo er durch den Benutzer als ein Rekonfigurationsparameter genehmigt wird, der ansprechend auf einen spezifischen Diagnoseauftrag in geeigneter Weise erzeugt wird, und die Qualität eines Trainingsdatensatzes kann verbessert werden, wenn der Trainingsdatensatz diesen Genehmigungsprozess durchläuft.Meanwhile, in this case, the training dataset used for training is limited to the case where it is approved by the user as a reconfiguration parameter generated appropriately in response to a specific diagnostic order, and the quality of a training dataset can be improved if the training dataset go through this approval process.

In dem künstlichen neuronalen Netzwerk 430 werden temporäre Rekonstruktionsparameter, die in einem Trainingsprozess durch eine Zielfunktion 420 erzeugt wurden, zurückgeführt, um Fehler zu reduzieren, wobei Referenzprotokolle als Trainingsdaten gegeben werden. Wenn ein Training wiederholt wird, lernt das künstliche neuronale Netzwerk 430 die Funktion, um Rekonstruktionsparameter zu erzeugen, die äquivalent zu den Referenzprotokollen sind.In the artificial neural network 430, temporary reconstruction parameters generated in a training process by an objective function 420 are fed back to reduce errors, with reference protocols given as training data. As training is repeated, the artificial neural network 430 learns the function to produce reconstruction parameters that are equivalent to the reference protocols.

5 ist ein Diagramm, das einen Workflow zum Durchführen einer medizinischen Bildrekonstruktion und Bereitstellen einer Vielzahl von medizinischen Bildrekonstruktionsparametern umfassend eine medizinische Bildrekonstruktionsvorrichtung 510 gemäß einer Ausführungsform der vorliegenden Erfindung zeigt. 5 FIG. 5 is a diagram showing a workflow for performing medical image reconstruction and providing a plurality of medical image reconstruction parameters including a medical image reconstruction apparatus 510 according to an embodiment of the present invention.

Da die Operationen der medizinischen Bildgebungsvorrichtung 550 und medizinischen Bilddatenbank 530 von 5 jenen der medizinischen Bildgebungsvorrichtung 110 und medizinischen Bilddatenbank 130 von 1 ziemlich ähnlich sind, werden redundante Beschreibungen davon weggelassen.Since the operations of the medical imaging device 550 and medical image database 530 of 5 those of medical imaging device 110 and medical image database 130 of FIG 1 are quite similar, redundant descriptions thereof will be omitted.

Gemäß einer Ausführungsform der vorliegenden Erfindung kann die medizinische Bildrekonstruktionsvorrichtung 510 ferner eine Übertragungsschnittstelle (nicht gezeigt) umfassen, die dazu konfiguriert ist, Daten nach außen zu übertragen. In diesem Fall kann der wenigstens eine Prozessor der medizinischen Bildrekonstruktionsvorrichtung 510 einem dritten künstlichen neuronalen Netzwerk 540 einen zweiten Rekonstruktionsparameter oder ein zweites medizinisches Bild ansprechend auf einen Diagnoseauftrag über die Übertragungsschnittstelle oder eine Benutzerschnittstelle bereitstellen. Der wenigstens eine Prozessor kann das Ergebnis einer medizinischen Bildanalyse, die ansprechend auf einen Diagnoseauftrag durch das dritte künstliche neuronale Netzwerk 540 durchgeführt wurde, über eine Empfängerschnittstelle empfangen.According to an embodiment of the present invention, the medical image reconstruction apparatus 510 may further include a transmission interface (not shown) configured to transmit data to the outside. In this case, the at least one processor of the medical image reconstruction device 510 can provide a third artificial neural network 540 with a second reconstruction parameter or a second medical image in response to a diagnostic order via the transmission interface or a user interface. The at least one processor may receive the result of a medical image analysis performed by the third artificial neural network 540 in response to a diagnostic order via a receiver interface.

Außerdem kann der Prozess eines Diagnostizierens/Detektierens/Analysierens eines ersten Läsionstyps unter Verwendung eines ersten medizinischen Bilds durch ein anderes viertes künstliches neuronales Netzwerk 520 außerhalb der medizinischen Bildrekonstruktionsvorrichtung 510 von 5 durchgeführt werden.Also, the process of diagnosing/detecting/analyzing a first lesion type using a first medical image by another fourth artificial neural network 520 outside the medical image reconstruction apparatus 510 of FIG 5 be performed.

Obwohl die Ausführungsformen, in denen sich die medizinische Bilddatenbank 130, 330 oder 530 außerhalb befindet, in 1 bis 5 gezeigt sind, ist es für die Fachleute offensichtlich, dass gemäß einer anderen Ausführungsform der vorliegenden Erfindung, auch eine Ausführungsform implementiert sein kann, in der eine Datenbank (nicht gezeigt) sich innerhalb der medizinischen Bildrekonstruktionsvorrichtung 110, 310 oder 510 befindet.Although the embodiments in which the medical image database 130, 330 or 530 is external, in 1 until 5 are shown, it is obvious for those skilled in the art that according to another embodiment of the present invention, an embodiment can also be implemented in which a database (not shown) resides within the medical image reconstruction apparatus 110, 310 or 510.

6 zeigt ein Beispiel für medizinische Bildrekonstruktionsparameter gemäß einer Ausführungsform der vorliegenden Erfindung, welches ein Beispiel für medizinische Bildrekonstruktionsparameter und für einen Screenshot einer Diagnose/Analyse eines medizinischen Bilds für ein Lungenkrebs-Screening (Lungenkrebs-Screening; LCS) ist. 6 12 shows an example of medical image reconstruction parameters according to an embodiment of the present invention, which is an example of medical image reconstruction parameters and a screenshot of a diagnosis/analysis of a medical image for lung cancer screening (Lung Cancer Screening; LCS).

Das in 6 gezeigte Lungenkrebs-Screening wird verwendet, um Lungenrundherde nach einer Rekonstruktion basierend auf einer hohen Frequenz oder einem scharfen Kernel bei Durchführen an einer Niedrigdosis- oder Ultra-Niedrigdosis-CT zu detektieren. Obwohl dafür verschiedene konventionelle Techniken vorgeschlagen worden sind, ist es am wichtigsten, zwischen einem normalen Organ und einer Läsion zu unterscheiden, und somit ist es ein wichtiges Ziel, eine Region abzuleiten, die einen Helligkeitswert aufweist, der unterschiedlich von einer umgebenden Helligkeit ist.This in 6 Lung cancer screening shown is used to detect pulmonary nodules after reconstruction based on high frequency or sharp kernel when performing low-dose or ultra-low-dose CT. Although various conventional techniques have been proposed therefor, it is most important to discriminate between a normal organ and a lesion, and thus it is an important goal to derive a region having a brightness value different from a surrounding brightness.

7 zeigt ein Beispiel für medizinische Bildrekonstruktionsprotokolle gemäß einer Ausführungsform der vorliegenden Erfindung, welches ein Beispiel für Bildrekonstruktionsparameter und für einen entsprechenden Screenshot einer Diagnose/Analyse eines medizinischen Bilds für ein Koronararterienverkalkungs (coronary artery calcification; CAC)-Scoring basierend auf den medizinischen Bildern von 6 ist, die für ein Lungenkrebs-Screening empfangen wurden. 7 12 shows an example of medical image reconstruction protocols according to an embodiment of the present invention, including an example of image reconstruction parameters and a corresponding screenshot of a diagnosis/analysis of a medical image for coronary artery calcification (CAC) scoring based on the medical images of FIG 6 is received for lung cancer screening.

Bezugnehmend auf 7 ist ein Bild gezeigt, das durch Anwenden eines weichen Kernels auf ein Bild, auf das ein scharfer Kernel angewandt worden ist und das für ein LCS-Screening empfangen wird, rekonstruiert wurde. Außerdem ist ein Bild, das durch Anwenden eines CAC-Scoring-Algorithmus auf das rekonstruierte Bild visualisiert wurde, darübergelegt und gezeigt.Referring to 7 Figure 1 shows an image reconstructed by applying a soft kernel to a sharp kernel applied image received for LCS screening. Also, an image visualized by applying a CAC scoring algorithm to the reconstructed image is overlaid and shown.

Die Goldene Regel für ein CAC-Scoring ist es, eine Analyse unter Verwendung EKG-getriggerter CT-Bilder durchzuführen. Es ist jedoch berichtet worden, dass, wenn ein Standard-Kernel oder weicher Kernel auf eine Niedrigdosis-CT angewandt wird, das Ergebnis eines CAC-Scorings auch in dem Fall, wo ein ursprüngliches Bild ein nicht-getriggertes Bild ist, keinen signifikanten Unterschied zu jenem in dem Fall zeigt, wo ein EKG-getriggertes CT-Bild verwendet wird. Selbstverständlich ist in diesem Fall das Ergebnis des CAC-Scorings des Bilds, das durch Anwenden des weichen Kernels auf das nicht-getriggerte CT-Bild rekonstruiert wurde, nicht gänzlich zuverlässig. Es wird jedoch erkannt, dass die Relevanz von diesem ausreichend ist, um als ein Mittel eines Screenings verwendet zu werden, ob ein Patient eine detaillierte CAC-Analyse erfordert.The golden rule for CAC scoring is to perform an analysis using ECG-gated CT images. However, it has been reported that when a standard kernel or soft kernel is applied to a low-dose CT, the result of CAC scoring makes no significant difference even in the case where an original image is a non-gated image that in the case where an ECG-gated CT image is used. Of course, in this case, the result of the CAC scoring of the image reconstructed by applying the soft kernel to the non-gated CT image is not entirely reliable. However, it is recognized that the relevance of this is sufficient to be used as a means of screening whether a patient requires detailed CAC analysis.

Die Ergebnisse des in 7 gezeigten CAC-Scorings sind etwas unterschiedlich von jenen in einem Verfahren eines direkten Detektierens einer Calciumregion in der verwandten Technik. Wenn in diesem Fall ein Diagnoseauftrag ein CAC-Scoring ist, wird ein kardiovaskulärer Segmentationsprozess als ein Vorverarbeitungsprozess ausgeführt. Wenn es in diesem Fall einen Fehler in dem kardiovaskulären Segmentationsprozess gibt und somit eine Rippenregion in eine vaskuläre Region miteinbezogen wird, kann ein Fehler auftreten, bei dem ein CAC-Score als beträchtlich größer gemessen wird als ein tatsächlicher Wert. Demgemäß kann unter Berücksichtigung dieses Fehlers ein Bild visualisiert werden, in dem alle verkalkten Regionen, die auf einem Axialbild detektiert wurden, angezeigt werden. Danach werden helle und dunkle Regionen durch ein Schwellenwertverfahren der kardiovaskulären Region voneinander unterschieden.The results of the in 7 CAC scores shown are somewhat different from those in a method of directly detecting a calcium region in the related art. In this case, when a diagnosis job is CAC scoring, a cardiovascular segmentation process is executed as a pre-processing process. In this case, if there is an error in the cardiovascular segmentation process and thus a rib region is included in a vascular region, an error may occur in which a CAC score is measured to be considerably larger than an actual value. Accordingly, considering this error, an image can be visualized in which all the calcified regions detected on an axial image are displayed. Thereafter, light and dark regions are distinguished from each other by thresholding the cardiovascular region.

Für die einfache Detektion einer Koronararterienverkalkung kann es Fälle geben, wo ein scharfer Kernel, der für ein LCS angewandt wird, vorteilhafter ist. Wenn jedoch die Konfiguration eines Quantifizierens und Vergleichens heller und dunkler Teile nach einer Segmentation als wichtig angesehen wird, kann ein weicher Kernel effektiver erscheinen. In anderen Worten können die Ergebnisse einer Kernel-Anpassung abhängig von spezifischen medizinischen Bildanalyse- und -visualisierungsverfahren sowie einem Diagnoseauftrag variieren. Um eine Kernel-Anpassung bereitzustellen, die durch Berücksichtigen dieser Variation optimiert wurde, ist es notwendig, dass ein Benutzer jedes Analyse- und Visualisierungsergebnis überprüft und den optimierten Kernel genehmigt, wodurch er die Genauigkeit und Zuverlässigkeit eines Trainingsdatensatzes erhöht.For simple detection of coronary artery calcification, there may be cases where a sharp kernel applied to an LCS is more advantageous. However, if the configuration of quantifying and comparing light and dark parts after segmentation is considered important, a soft kernel may seem more effective. In other words, the results of a kernel customization may vary depending on specific medical image analysis and visualization procedures and a diagnostic order. In order to provide a kernel adaptation optimized by considering this variation, it is necessary for a user to review each analysis and visualization result and approve the optimized kernel, thereby increasing the accuracy and reliability of a training data set.

8 zeigt ein Beispiel für medizinische Bildrekonstruktionsparameter gemäß einer Ausführungsform der vorliegenden Erfindung, welches ein Beispiel für medizinische Bildrekonstruktionsparameter und für einen entsprechenden Screenshot einer Diagnose/Analyse eines medizinischen Bilds zum Diagnostizieren einer chronisch obstruktiven Lungenerkrankung (chronic obstructive pulmonary disease; COPD) und eines Emphysems durch Messen/Analysieren eines Emphysemindexes basierend auf dem medizinischen Bildern von 6 ist, die für ein Lungenkrebs-Screening empfangen wurden. 8th 12 shows an example of medical image reconstruction parameters according to an embodiment of the present invention, which is an example of medical image reconstruction parameters and a corresponding screenshot of a diagnosis/analysis of a medical image for diagnosing chronic obstructive pulmonary disease (COPD) and emphysema by measurement /Analyzing an emphysema index based on the medical imagery of 6 is received for lung cancer screening.

Bezugnehmend auf 8 sind die Ergebnisse der Analyse des medizinischen Bilds, die Bereiche geringer Dämpfung (low attenuation areas; LAAs) durch ein Schwellenverfahren von hellen und dunklen Teile quantifizieren, in einem Lungenbereich zusammen mit den Ergebnissen der Kernel-Anpassung des medizinischen Bilds angezeigt.Referring to 8th the results of the medical image analysis, which quantify low attenuation areas (LAAs) by a thresholding method of bright and dark parts, in a lung region are displayed together with the results of the kernel fitting of the medical image.

Obwohl ein scharfer Kernel geeignet für einen Fall sein kann, wo einfach ein Emphysem detektiert wird, um COPD zu diagnostizieren, neigt ein weicher Kernel dazu, geeigneter als ein scharfer Kernel zum Quantifizieren von LAAs zu sein. In diesem Fall kann der Kernel, der geeignet zum Diagnostizieren/Analysieren/Detektieren eines spezifischen Läsionstyps ist, durch Vergleichen der Ergebnisse der automatischen Diagnose/Analyse/Detektion eines entsprechenden Läsionstyps nach der Anwendung verschiedener Kernel, der Ergebnisse der durch eine medizinische Fachkraft durchgeführten Diagnose/Analyse/Detektion des entsprechenden Läsionstyps nach der Anwendung verschiedener Kernels und/oder der Ergebnisse der Diagnose/Analyse/Detektion des entsprechenden Läsionstyps, die durch eine tatsächliche Biopsie verifiziert wurde, bestimmt werden. Der Kernel, der Ergebnisse ableitet, welche mittels des Peer-Reviews der Ergebnisse der durch eine medizinische Fachkraft durchgeführten Diagnose/Analyse/Detektion des entsprechenden Läsionstyps die höchste Zuverlässigkeit und Genauigkeit aufweisen, kann als der besten geeignete Kernel beurteilt werden.Although a sharp kernel may be appropriate for a case where emphysema is simply detected to diagnose COPD, a soft kernel tends to be more appropriate than a sharp kernel for quantifying LAAs. In this case, by comparing the results of automatic diagnosis/analysis/detection of a corresponding lesion type after the application of different kernels, the kernel suitable for diagnosing/analyzing/detecting a specific type of lesion, the results of diagnosis/ Analysis/detection of the corresponding lesion type after application of different kernels and/or the results of the diagnosis/analysis/detection of the corresponding lesion type verified by an actual biopsy. The kernel that derives results showing the highest reliability and accuracy by peer reviewing the results of the diagnosis/analysis/detection of the corresponding lesion type performed by a medical professional can be judged as the most suitable kernel.

Demgemäß wird, wie in 8 gezeigt, ein medizinisches Bild angezeigt, das durch Anwenden eines weichen Kernels, der unterschiedlich von dem medizinischen Bildrekonstruktionsparameter von 6 ist, angezeigt, und wird eine LAA-Analyse basierend auf dem rekonstruierten Bild durchgeführt und dann werden quantitative Emphysem-Analyseergebnise für eine COPD-Diagnose darübergelegt und angezeigt.Accordingly, as in 8th shown, a medical image is displayed by applying a soft kernel different from the medical image reconstruction parameter of FIG 6 is displayed and LAA analysis is performed based on the reconstructed image and then quantitative emphysema analysis results for COPD diagnosis are overlaid and displayed.

Ein Bereich geringer Dämpfung (LAA) ist ein Ergebnis der Analyse eines CT-Bilds, das die Lungen umfasst, und kann sich auf eine Region beziehen, in der ein Helligkeitswert in einem CT-Bild niedriger als ein Referenzwert ist. In normalen Alveolen kann der Helligkeitswert in dem CT-Bild gemäß der Atmungsphase variieren. Jedoch ist in dem CT-Bild der Lungen eine Region, in der ein Helligkeitswert, der geringer als ein spezifischer Referenzwert ist, kontinuierlich aufrechterhalten wird, ein mit Luft gefülltes Bild und wird als geplatzte oder inaktivierte Alveolen aufweisend betrachtet, so dass bestimmt werden kann, dass sie eine Region ist, die dem Atmen nicht zuträglich ist.An area of low attenuation (LAA) is a result of analysis of a CT image that includes the lungs, and may refer to a region where a brightness value in a CT image is lower than a reference value. In normal alveoli, the brightness value in the CT image can vary according to the respiratory phase. However, in the CT image of the lungs, a region in which a brightness value lower than a specific reference value is continuously maintained, an air-filled image and is considered to have ruptured or inactivated alveoli, so that it can be determined to be a region that not conducive to breathing.

Die quantitativen Analyseergebnisse für LAAs können durch das Verhältnis des Volumens von Regionen, in denen ein Helligkeitswert unter dem Referenzwert (z.B. -950 HU) innerhalb eines spezifischen Bereichs aufrechterhalten wird, zu dem Volumen des entsprechenden Bereichs repräsentiert sein. Andere quantitative Analyseergebnisse für LAAs können auch durch Klassifizieren der Größen von LAAs und Zählen und Anzeigen der Anzahl von LAAs für jede Größe repräsentiert sein. Diese Quantifizierungsergebnisse variieren abhängig von einem Atmungsniveau eines Patienten (wieviel Atem inhaliert wird). Wenn die Quantifizierungsergebnisse unter Verwendung einer Log-Operation verarbeitet werden, wird ein konstanter Wert, der unabhängig vom Atmungsniveau ist, abgeleitet und kann als ein Index für die Gesamtlungenkapazität eines Patienten bereitgestellt werden. Die quantitativen Messergebnisse für die LAAs werden dem Benutzer für die Diagnose einer chronisch obstruktiven Lungenerkrankung (COPD) etc. bereitgestellt und können die Diagnose unterstützen.The quantitative analysis results for LAAs can be represented by the ratio of the volume of regions in which a brightness value below the reference value (e.g. -950 HU) is maintained within a specific area to the volume of the corresponding area. Other quantitative analysis results for LAAs can also be represented by classifying the sizes of LAAs and counting and displaying the number of LAAs for each size. These quantification results vary depending on a patient's respiration level (how much breath is inhaled). When the quantification results are processed using a log operation, a constant value, independent of respiration level, is derived and can be provided as an index of a patient's total lung capacity. The quantitative measurement results for the LAAs are provided to the user for the diagnosis of chronic obstructive pulmonary disease (COPD) etc. and can support the diagnosis.

Die LAA-Analyseergebnise werden durch eine Vielzahl von Bildverarbeitungsschritten erhalten.The LAA analysis results are obtained through a variety of image processing steps.

Ein Lungen-CT-Bild kann in eine ganze Lunge, eine linke Lunge und eine rechte Lunge segmentiert werden. Jede der linken Lunge und der rechten Lunge kann in Lungenlappen unterteilt werden.A lung CT image can be segmented into a whole lung, a left lung, and a right lung. Each of the left lung and right lung can be divided into pulmonary lobes.

Der Referenzbereich zum Ableiten des Verhältnisses von LAAs für jeden Bereich aus den LAA-Analyseergebnissen kann ein Lungenlappen, der wie vorstehend beschrieben erhalten wurde, oder die linke oder rechte Lunge sein.The reference area for deriving the ratio of LAAs for each area from the LAA analysis results may be a lobe of lung obtained as described above, or the left or right lung.

Falls es in einer Vielzahl von Vorverarbeitungsschritten, die notwendig sind, um die LAA-Analyseergebnisse abzuleiten, Fehler gibt, kann die Zuverlässigkeit der LAA-Analyseergebnisse auch verschlechtert werden.If there are errors in a variety of pre-processing steps necessary to derive the LAA analysis results, the reliability of the LAA analysis results may also be degraded.

Deshalb können basierend auf den Analyseergebnissen die Vorverarbeitungsergebnisse der Vielzahl von Vorverarbeitungsprozessen, die verwendet werden, um Analyseergebnisse zu erhalten, mitsamt einer repräsentativen Visualisierungsform visualisiert werden und dann zusammen mit den Analyseergebnissen bereitgestellt werden.Therefore, based on the analysis results, the pre-processing results of the plurality of pre-processing processes used to obtain analysis results can be visualized along with a representative visualization form and then provided together with the analysis results.

Das medizinische Bildrekonstruktionsverfahren gemäß einer Ausführungsform der vorliegenden Erfindung ist ein medizinisches Bildrekonstruktionsverfahren zum Rekonstruieren eines medizinischen Bilds, um das Lesen eines medizinischen Bilds, das durch ein Computersystem ausgeführt wird, zu unterstützen, und das Computersystem umfasst wenigstens einen Prozessor.The medical image reconstruction method according to an embodiment of the present invention is a medical image reconstruction method for reconstructing a medical image to support reading of a medical image performed by a computer system, and the computer system includes at least one processor.

Das medizinische Bildrekonstruktionsverfahren gemäß einer Ausführungsform der vorliegenden Erfindung kann in der Form von Programminstruktionen in einen Speicher geladen und durch einen Prozessor, einen Controller und/oder eine elektronische Schaltlogik, die in einer verteilten Weise ausgelegt sind, aufgerufen und ausgeführt werden.The medical image reconstruction method according to an embodiment of the present invention may be loaded into a memory in the form of program instructions and called and executed by a processor, a controller and/or electronic circuitry arranged in a distributed manner.

Beispielsweise kann der Prozess, bei dem der in 2 offenbarte wenigstens eine Prozessor 210 ein erstes medizinisches Bild, auf das ein erster Rekonstruktionsparameter angewandt wird, der daran angepasst ist, einen ersten Läsionstyp zu diagnostizieren oder zu analysieren, über die Empfängerschnittstelle 250 empfängt, in der Form von Programminstruktionen implementiert und als der Schritt eines Empfangens des ersten medizinischen Bilds ausgeführt werden.For example, the process in which the in 2 discloses at least one processor 210 receiving a first medical image to which a first reconstruction parameter adapted to diagnose or analyze a first lesion type is applied, via the receiver interface 250, implemented in the form of program instructions, and as the step of receiving of the first medical image.

Außerdem kann der Prozess, bei dem der wenigstens eine Prozessor 210 einen zweiten Rekonstruktionsparameter, um auf ein erstes medizinisches Bild angewandt zu werden, ansprechend auf einen Diagnoseauftrag für die Diagnose oder Analyse eines zweiten Läsionstyps erzeugt, auch in der Form von Programminstruktionen implementiert und als der Schritt eines Erzeugens des zweiten Rekonfigurationsparameters ausgeführt werden. In diesem Fall kann, nachdem der zweite Rekonstruktionsparameter, der eine hohe Relevanz für den zweiten Läsionstyp aufweist, entsprechend dem Diagnoseauftrag ausgewählt worden ist, bestimmt werden, ob der erste Rekonstruktionsparameter, der auf das erste medizinische Bild bereits angewandt und abgeschlossen wurde, der gleiche wie der zweite Rekonstruktionsparameter ist. In einer Ausführungsform kann, wenn der erste Rekonstruktionsparameter der gleiche wie der zweite Rekonstruktionsparameter ist, das erste medizinische Bild ansprechend auf den Diagnoseauftrag für die Diagnose oder Analyse des zweiten Läsionstyps bereitgestellt werden, ohne das erste medizinische Bild zu rekonstruieren. Wenn dagegen der erste Rekonstruktionsparameter unterschiedlich von dem zweiten Rekonstruktionsparameter ist, kann der zweite Rekonstruktionsparameter als ein Rekonstruktionsparameter, um auf das erste medizinische Bild angewandt zu werden, ansprechend auf den Diagnoseauftrag entsprechend dem zweiten Läsionstyp ausgewählt werden.In addition, the process in which the at least one processor 210 generates a second reconstruction parameter to be applied to a first medical image in response to a diagnostic order for the diagnosis or analysis of a second lesion type can also be implemented in the form of program instructions and as the Step of generating the second reconfiguration parameters are performed. In this case, after the second reconstruction parameter, which has a high relevance for the second lesion type, has been selected according to the diagnosis order, it can be determined whether the first reconstruction parameter, which has already been applied and completed on the first medical image, is the same as is the second reconstruction parameter. In one embodiment, when the first reconstruction parameter is the same as the second reconstruction parameter, the first medical image can be provided in response to the diagnostic order for the diagnosis or analysis of the second lesion type without reconstructing the first medical image. On the other hand, when the first reconstruction parameter is different from the second reconstruction parameter, the second reconstruction parameter can be selected as a reconstruction parameter to be applied to the first medical image in response to the diagnosis order corresponding to the second lesion type.

Der Prozess, bei dem der wenigstens eine Prozessor 210 dem Benutzer den zweiten Rekonstruktionsparameter über die Benutzerschnittstelle 270 bereitstellt oder ein zweites medizinisches Bild für die Diagnose oder Analyse des zweiter Läsionstyps durch Ausführen des zweiten Rekonstruktionsparameters für das erste medizinische Bild erzeugt und dem Benutzer das zweite medizinische Bild über die Benutzerschnittstelle 270 bereitstellt, kann in der Form von Programminstruktionen implementiert und als der Schritt eines Bereitstellens des zweiten Rekonstruktionsparameters oder des zweiten medizinischen Bilds dem Benutzer ausgeführt werden.The process in which the at least one processor 210 provides the user with the second reconstruction parameter via the user interface 270 or generates a second medical image for diagnosis or analysis of the second lesion type by performing the second reconstruction parameter on the first medical image and the user with the second medical Providing the image via the user interface 270 can be implemented in the form of program instructions and executed as the step of providing the second reconstruction parameter or the second medical image to the user.

Gemäß der vorliegenden Erfindung kann ein neuer Rekonstruktionsparameter und/oder ein neues Rekonstruktionsprotokoll vorgeschlagen werden, der/das das geeignet zum Diagnostizieren/Analysieren einer zusätzlichen Krankheit oder Läsion aus einem medizinischen Bild ist, das empfangen wurde, nachdem ein Rekonstruktionsprozess in einer medizinischen Bildgebungsvorrichtung bereits abgeschlossen worden ist, ohne die klinischen Charakteristika eines ursprünglichen medizinischen Bilds zu beschädigen. Gemäß der vorliegenden Erfindung kann ein neues medizinisches Bild basierend auf dem neuen Rekonstruktionsparameter und/oder Rekonstruktionsprotokoll rekonstruiert werden, und die zusätzliche Krankheit oder Läsion kann diagnostiziert/analysiert werden.According to the present invention, a new reconstruction parameter and/or a new reconstruction protocol suitable for diagnosing/analyzing an additional disease or lesion from a medical image received after a reconstruction process in a medical imaging device has already been completed can be proposed without damaging the clinical characteristics of an original medical image. According to the present invention, a new medical image can be reconstructed based on the new reconstruction parameter and/or reconstruction protocol and the additional disease or lesion can be diagnosed/analyzed.

Gemäß der Vorrichtung und dem Verfahren zur medizinischen Bildrekonstruktion der vorliegenden Erfindung kann eine zusätzliche Krankheit oder Läsion aus einem gegenwärtigen gegebenen medizinischen Bild durch Ausführen einer medizinischen Bildverarbeitung über eine Software unabhängig von einer medizinischen Bildgebungsvorrichtung diagnostiziert/analysiert werden.According to the medical image reconstruction apparatus and method of the present invention, an additional disease or lesion can be diagnosed/analyzed from a current given medical image by executing medical image processing via software independently of a medical imaging apparatus.

Gemäß der vorliegenden Erfindung kann die Technik zur Umwandlung zwischen medizinischen Bildrekonstruktionsparametern (-protokollen) implementiert werden, die in der Lage ist, durch Verwendung des Trainings/Lernens und der Inferenz des künstlichen neuronalen Netzwerks aus demselben ursprünglichen medizinischen Bild eine zusätzliche Krankheit oder Läsion zu diagnostizieren/analysieren. In diesem Fall wird die Umwandlung zwischen medizinischen Bildrekonstruktionsparametern (-protokollen) unabhängig von der medizinischen Bildgebungsvorrichtung durchgeführt, und kann sogar in einer Umgebung durchgeführt werden, in der eine Information über ein ursprüngliches medizinisches Bild von der medizinischen Bildgebungsvorrichtung nicht empfangen werden kann, weil die medizinische Bildgebungsvorrichtung einen medizinischen Bildrekonstruktionsprozess beendet hat.According to the present invention, the technique for conversion between medical image reconstruction parameters (protocols) capable of diagnosing an additional disease or lesion from the same original medical image by using the training/learning and the inference of the artificial neural network can be implemented /analyze. In this case, the conversion between medical image reconstruction parameters (protocols) is performed independently of the medical imaging device, and can be performed even in an environment where information about an original medical image cannot be received from the medical imaging device because the medical Imaging device has completed a medical image reconstruction process.

Das Verfahren gemäß einer Ausführungsform der vorliegenden Erfindung kann in der Form von Programminstruktionen implementiert werden, die durch eine Vielfalt an Computereinrichtungen ausführbar sind und dann in einem computerlesbaren Speichermedium aufgezeichnet werden. Das computerlesbare Speichermedium kann Programminstruktionen, Datendateien und Datenstrukturen allein oder in Kombination umfassen. Programminstruktionen, die in dem Speichermedium aufgezeichnet wurden, können für die vorliegende Erfindung speziell ausgelegt und konfiguriert worden sein, oder können jenen, die über gewöhnliches Wissen auf dem Gebiet von Computersoftware verfügen, bekannt oder für sie verfügbar sein. Beispiele für das computerlesbare Speichermedium umfassen alle Typen von Hardware-Vorrichtungen, die speziell dazu konfiguriert sind, Programminstruktionen aufzuzeichnen und auszuführen, wie etwa magnetische Medien, wie etwa eine Festplatte, eine Floppy-Disk und ein Magnetband, optische Medien, wie etwa ein Compact-Disk (CD)-Read-only-Memory (ROM) und eine Digital-Versatile-Disk (DVD), magneto-optische Medien, wie etwa eine Floptical-Disk, ein ROM, ein Random-Access-Memory (RAM) und ein Flash-Speicher. Beispiele der Programminstruktionen umfassen Maschinencode, wie etwa einen durch einen Compiler geschaffenen Code, und einen Hochsprachencode, der durch einen Computer unter Verwendung eines Interpreters ausführbar ist. Diese Hardware-Vorrichtungen können dazu konfiguriert sein, als ein oder mehrere Softwaremodule zu arbeiten, um den Betrieb der vorliegenden Erfindung durchzuführen, und umgekehrt.The method according to an embodiment of the present invention may be implemented in the form of program instructions executable by a variety of computing devices and then recorded in a computer-readable storage medium. The computer-readable storage medium can include program instructions, data files, and data structures alone or in combination. Program instructions recorded on the storage medium may have been specifically designed and configured for the present invention, or may be known or available to those of ordinary skill in the art of computer software. Examples of the computer-readable storage medium include all types of hardware devices specially configured to record and execute program instructions, such as magnetic media such as a hard disk, a floppy disk, and a magnetic tape, optical media such as a compact Disk (CD) read-only memory (ROM) and digital versatile disk (DVD), magneto-optical media such as floptical disk, ROM, random access memory (RAM) and a Flash memory. Examples of the program instructions include machine code, such as code created by a compiler, and high-level language code executable by a computer using an interpreter. These hardware devices can be configured to operate as one or more software modules to perform the operation of the present invention, and vice versa.

Jedoch ist die vorliegende Erfindung nicht auf die Ausführungsformen beschränkt. Gleiche Bezugssymbole in den Zeichnungen bezeichnen gleiche Komponenten. Die Längen, Höhen, Größen, Breiten etc., die in die Ausführungsformen und Zeichnungen der vorliegenden Erfindung eingeführt wurden, können übertrieben sein, um zu helfen, die vorliegende Erfindung zu verstehen.However, the present invention is not limited to the embodiments. Like reference symbols in the drawings indicate like components. The lengths, heights, sizes, widths, etc. introduced into the embodiments and drawings of the present invention may be exaggerated to help understand the present invention.

Obwohl die vorliegende Erfindung unter Bezugnahme auf spezifische Details, wie etwa die spezifischen Komponenten, und die beschränkten Ausführungsformen und Zeichnungen, beschrieben worden ist, werden diese nur bereitgestellt, um ein allgemeines Verstehen der vorliegenden Erfindung zu unterstützen, und die vorliegende Erfindung ist nicht darauf beschränkt. Außerdem können die gewöhnlichen Fachleute in der Technik, auf die sich die vorliegende Erfindung bezieht, verschiedene Modifikationen und Variationen von der obigen detaillierten Beschreibung vornehmen.Although the present invention has been described with reference to specific details, such as the specific components, and limited embodiments and drawings, these are only provided to aid in a general understanding of the present invention, and the present invention is not limited thereto . Furthermore, from the above detailed description, those of ordinary skill in the art to which the present invention pertains can make various modifications and variations.

Deshalb sollte die Idee der vorliegenden Erfindung nicht nur basierend auf den beschriebenen Ausführungsformen, und nicht nur den beigefügten Ansprüchen definiert sein, sondern es sollten auch alle Äqivalente zu den Ansprüchen als innerhalb des Umfangs der Idee der vorliegenden Erfindung fallend ausgelegt werden.Therefore, the idea of the present invention should not only be based on the described embodiments, and not only those attached claims, but all equivalents to the claims should also be construed as falling within the scope of the spirit of the present invention.

ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN DESCRIPTION

Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.This list of the documents cited by the applicant was generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.

Zitierte PatentliteraturPatent Literature Cited

  • US 2020/0335201 [0005, 0016, 0051]US 2020/0335201 [0005, 0016, 0051]
  • US 2020/0311490 [0006, 0016, 0051, 0052]US 2020/0311490 [0006, 0016, 0051, 0052]
  • US 10565477 [0007, 0016, 0051]US10565477 [0007, 0016, 0051]
  • US 2019/0369191 [0008, 0016, 0051]US 2019/0369191 [0008, 0016, 0051]
  • US 2020/0294284 [0010, 0016, 0051]US 2020/0294284 [0010, 0016, 0051]

Claims (18)

Medizinische Bildrekonstruktionsvorrichtung zum Rekonstruieren eines medizinischen Bilds, um ein Lesen eines medizinischen Bilds zu unterstützen, wobei die medizinische Bildrekonstruktionsvorrichtung ein Computersystem umfasst, wobei das Computersystem umfasst: eine Empfängerschnittstelle, die dazu konfiguriert ist, ein erstes medizinisches Bild zu empfangen, auf das ein erster Rekonstruktionsparameter angewandt wird, der daran angepasst ist, einen ersten Läsionstyp zu diagnostizieren oder zu analysieren; und wenigstens einen Prozessor, der dazu konfiguriert ist, einen zweiten Rekonstruktionsparameter, um auf das erste medizinische Bild angewandt zu werden, ansprechend auf einen Diagnoseauftrag für eine Diagnose oder Analyse eines zweiten Läsionstyps zu erzeugen, wobei der wenigstens eine Prozessor einem Benutzer den zweiten Rekonfigurationsparameter über eine Benutzerschnittstelle bereitstellt, oder ein zweites medizinisches Bild für eine Diagnose oder Analyse des zweiten Läsionstyp durch Ausführen des zweiten Rekonstruktionsparameters an dem ersten medizinischen Bild erzeugt und dem Benutzer das zweite medizinische Bild über die Benutzerschnittstelle bereitstellt.Medical image reconstruction apparatus for reconstructing a medical image to aid in reading a medical image, the medical image reconstruction apparatus comprising a computer system, the computer system comprising: a receiver interface configured to receive a first medical image to which a first reconstruction parameter adapted to diagnose or analyze a first lesion type is applied; and at least one processor configured to generate a second reconstruction parameter to be applied to the first medical image in response to a diagnostic order for a diagnosis or analysis of a second lesion type, wherein the at least one processor provides a user with the second reconfiguration parameter via a user interface, or generates a second medical image for a diagnosis or analysis of the second lesion type by executing the second reconstruction parameter on the first medical image and provides the user with the second medical image via the user interface . Medizinische Bildrekonstruktionsvorrichtung nach Anspruch 1, wobei der wenigstens eine Prozessor ferner dazu konfiguriert ist: Information über den ersten Rekonstruktionsparameter aus empfangener Information des ersten medizinischen Bilds zu identifizieren; die Information über den ersten Rekonstruktionsparameter und den Diagnoseauftrag zu einem ersten künstlichen neuronalen Netzwerk zu transferieren; und das erste künstliche neuronale Netzwerk dazu zu steuern, den zweiten Rekonstruktionsparameter basierend auf der Information über den ersten Rekonstruktionsparameter und dem Diagnoseauftrag zu erzeugen.Medical image reconstruction device claim 1 wherein the at least one processor is further configured to: identify information about the first reconstruction parameter from received information of the first medical image; transfer the information about the first reconstruction parameter and the diagnostic order to a first artificial neural network; and control the first artificial neural network to generate the second reconstruction parameter based on the information about the first reconstruction parameter and the diagnosis order. Medizinische Bildrekonstruktionsvorrichtung nach Anspruch 2, wobei der wenigstens eine Prozessor ferner dazu konfiguriert ist: Information über den ersten Läsionstyp, Information über den zweiten Läsionstyp und die Information über den ersten Rekonstruktionsparameter zu dem ersten künstlichen neuronalen Netzwerk zu transferieren; und das erste künstliche neuronale Netzwerk dazu zu steuern, den zweiten Rekonstruktionsparameter durch Umwandeln des ersten Rekonstruktionsparameters basierend auf der Information über den ersten Läsionstyp, der Information über den zweiten Läsionstyp und der Information über den ersten Rekonstruktionsparameter zu erzeugen.Medical image reconstruction device claim 2 wherein the at least one processor is further configured to: transfer information about the first lesion type, information about the second lesion type, and the information about the first reconstruction parameter to the first artificial neural network; and control the first artificial neural network to generate the second reconstruction parameter by converting the first reconstruction parameter based on the first lesion type information, the second lesion type information, and the first reconstruction parameter information. Medizinische Bildrekonstruktionsvorrichtung nach Anspruch 2, wobei das erste künstliche neuronale Netzwerk ein künstliches neuronales Netzwerk ist, das eine Vielzahl von Trainingsdatensätzen empfangen hat, umfassend einen ersten Trainingsrekonstruktionsparameter, der abgeleitet wurde, um den ersten Läsionstyp für ein ursprüngliches medizinisches Bild zu diagnostizieren oder zu analysieren, und einen zweiten Trainingsrekonstruktionsparameter, der abgeleitet wurde, um den zweiten Läsionstyp für das ursprüngliche medizinische Bild zu diagnostizieren oder zu analysieren, und das eine Korrelation zwischen dem ersten Trainingsrekonstruktionsparameter und dem zweiten Trainingsrekonstruktionsparameter entsprechend einer Korrelation zwischen den ersten Läsionstyp und dem zweiten Läsionstyp gelernt hat.Medical image reconstruction device claim 2 , wherein the first artificial neural network is an artificial neural network that has received a plurality of training data sets, comprising a first training reconstruction parameter derived to diagnose or analyze the first lesion type for an original medical image, and a second training reconstruction parameter, derived to diagnose or analyze the second lesion type for the original medical image and learned a correlation between the first training reconstruction parameter and the second training reconstruction parameter corresponding to a correlation between the first lesion type and the second lesion type. Medizinische Bildrekonstruktionsvorrichtung nach Anspruch 2, wobei: das Computersystem ferner ein zweites künstliches neuronales Netzwerk umfasst, das dazu konfiguriert ist, eine medizinische Bildanalyse an dem zweiten medizinischen Bild ansprechend auf den Diagnoseauftrag durchzuführen; und der wenigstens eine Prozessor ferner dazu konfiguriert ist, das zweite medizinische Bild in das zweite künstliche neuronale Netzwerk einzugeben, und das zweite künstliche neuronale Netzwerk dazu zu steuern, ein medizinisches Bildanalyseergebnis für das zweite medizinische Bild zu erzeugen.Medical image reconstruction device claim 2 wherein: the computer system further comprises a second artificial neural network configured to perform medical image analysis on the second medical image in response to the diagnostic order; and the at least one processor is further configured to input the second medical image to the second artificial neural network and control the second artificial neural network to generate a medical image analysis result for the second medical image. Medizinische Bildrekonstruktionsvorrichtung nach Anspruch 1, wobei der wenigstens eine Prozessor ferner dazu konfiguriert ist: den zweiten Rekonstruktionsparameter oder das zweite medizinische Bild einem dritten künstlichen neuronalen Netzwerk über eine Übertragungsschnittstelle oder die Benutzerschnittstelle ansprechend auf den Diagnoseauftrag bereitzustellen; und ein medizinisches Bildanalyseergebnis, das durch Inferenz ansprechend auf den Diagnoseauftrag durch das dritte künstliche neuronale Netzwerk erhalten wurde, über die Empfängerschnittstelle zu empfangen.Medical image reconstruction device claim 1 , wherein the at least one processor is further configured to: provide the second reconstruction parameter or the second medical image to a third artificial neural network via a transmission interface or the user interface in response to the diagnostic order; and receive a medical image analysis result obtained through inference in response to the diagnosis task by the third artificial neural network via the receiver interface. Medizinische Bildrekonstruktionsvorrichtung nach Anspruch 1, wobei der Diagnoseauftrag basierend auf einem Benutzerbefehl bestimmt wird, der von dem Benutzer über die Benutzerschnittstelle eingegeben wird, oder basierend auf einer vorgegebenen Information, die durch den wenigstens einen Prozessor verwaltet wird, und einer Information über den ersten Läsionstyp bestimmt wird.Medical image reconstruction device claim 1 wherein the diagnostic order is determined based on a user command entered by the user via the user interface or based on predetermined information managed by the at least one processor and information about the first lesion type. Medizinische Bildrekonstruktionsvorrichtung nach Anspruch 1, wobei der wenigstens eine Prozessor ferner dazu konfiguriert ist, Ergebnisse der Diagnose oder Analyse des ersten Läsionstyps, die an dem ersten medizinischen Bild durchgeführt wurde, und Ergebnisse der Diagnose oder Analyse des zweiten Läsionstyps, die an dem zweiten medizinischen Bild durchgeführt wurde, zusammen dem Benutzer über die Benutzerschnittstelle bereitzustellen.Medical image reconstruction device claim 1 , wherein the at least one Pro processor is further configured to provide results of the diagnosis or analysis of the first lesion type performed on the first medical image and results of the diagnosis or analysis of the second lesion type performed on the second medical image together to the user via the user interface . Medizinische Bildrekonstruktionsvorrichtung nach Anspruch 1, wobei der wenigstens eine Prozessor ferner dazu konfiguriert ist, wenn der Benutzer den zweiten Rekonstruktionsparameter genehmigt, den zweiten Rekonstruktionsparameter und/oder das zweite medizinische Bild in einer medizinischen Bilddatenbank in Zusammenhang mit dem ersten medizinischen Bild und dem zweiten Rekonstruktionsparameter zu speichern.Medical image reconstruction device claim 1 , wherein if the user approves the second reconstruction parameter, the at least one processor is further configured to store the second reconstruction parameter and/or the second medical image in a medical image database in association with the first medical image and the second reconstruction parameter. Medizinische Bildrekonstruktionsvorrichtung zum Rekonstruieren eines medizinischen Bilds, um ein Lesen eines medizinischen Bilds zu unterstützen, basierend auf einem medizinischen künstlichen neuronalen Netzwerk, wobei die medizinische Bildrekonstruktionsvorrichtung ein Computersystem umfasst, wobei das Computersystem umfasst: eine Empfängerschnittstelle, die dazu konfiguriert ist, eine Vielzahl von Trainingsdatensätzen zu empfangen, umfassend einen ersten Trainingsrekonstruktionsparameter, der abgeleitet wurde, um einen ersten Läsionstyp für ein ursprüngliches medizinisches Bild zu diagnostizieren oder zu analysieren, und einen zweiten Trainingsrekonstruktionsparameter, der abgeleitet wurde, um einen zweiten Läsionstyp für das ursprüngliche medizinische Bild zu diagnostizieren oder zu analysieren; wenigstens einen Prozessor; und ein künstliches neuronales Netzwerk; wobei der wenigstens eine Prozessor dazu konfiguriert ist: die Vielzahl von Trainingsdatensätzen zu dem künstlichen neuronalen Netzwerk zu transferieren; und das künstliche neuronale Netzwerk dazu zu steuern, eine Korrelation zwischen dem ersten Trainingsrekonstruktionsparameter und dem zweiten Trainingsrekonstruktionsparameter entsprechend einer Korrelation zwischen den ersten Läsionstyp und dem zweiten Läsionstyp zu lernen.Medical image reconstruction apparatus for reconstructing a medical image to support reading of a medical image based on a medical artificial neural network, the medical image reconstruction apparatus comprising a computer system, the computer system comprising: a receiver interface configured to receive a plurality of training data sets including a first training reconstruction parameter derived to diagnose or analyze a first lesion type for an original medical image and a second training reconstruction parameter derived to a diagnose or analyze a second lesion type for the original medical image; at least one processor; and an artificial neural network; wherein the at least one processor is configured to: transfer the plurality of training data sets to the artificial neural network; and control the artificial neural network to learn a correlation between the first training reconstruction parameter and the second training reconstruction parameter according to a correlation between the first lesion type and the second lesion type. Medizinisches Bildrekonstruktionsverfahren zum Rekonstruieren eines medizinischen Bilds, um ein Lesen eines medizinischen Bilds zu unterstützen, wobei das medizinische Bildrekonstruktionsverfahren durch ein Computersystem ausgeführt wird, wobei das Computersystem wenigstens einen Prozessor und eine Empfängerschnittstelle umfasst, wobei das medizinische Bildrekonstruktionsverfahren umfasst: Empfangen, durch den wenigstens einen Prozessor, eines ersten medizinischen Bilds, auf das ein erster Rekonstruktionsparameter angewandt wird, der daran angepasst ist, einen ersten Läsionstyp zu diagnostizieren oder zu analysieren, über die Empfängerschnittstelle; und Erzeugen, durch den wenigstens einen Prozessor, eines zweiten Rekonstruktionsparameters, um auf das erste medizinische Bild angewandt zu werden, ansprechend auf einen Diagnoseauftrag für eine Diagnose oder Analyse eines zweiten Läsionstyps.Medical image reconstruction method for reconstructing a medical image to support reading of a medical image, the medical image reconstruction method being executed by a computer system, the computer system comprising at least one processor and a receiver interface, the medical image reconstruction method comprising: receiving, by the at least one processor, via the receiver interface, a first medical image to which a first reconstruction parameter adapted to diagnose or analyze a first lesion type is applied; and generating, by the at least one processor, a second reconstruction parameter to be applied to the first medical image in response to a diagnostic order for a diagnosis or analysis of a second lesion type. Medizinisches Bildrekonstruktionsverfahren nach Anspruch 11, ferner umfassend ein Bereitstellen, durch den wenigstens einen Prozessor, des zweiten Rekonfigurationsparameters einem Benutzer über eine Benutzerschnittstelle.Medical image reconstruction method claim 11 , further comprising providing, by the at least one processor, the second reconfiguration parameter to a user via a user interface. Medizinisches Bildrekonstruktionsverfahren nach Anspruch 11, ferner umfassend ein Erzeugen, durch den wenigstens einen Prozessor, eines zweiten medizinischen Bilds für eine Diagnose oder Analyse des zweiten Läsionstyps durch Ausführen des zweiten Rekonstruktionsparameters an dem ersten medizinischen Bild und ein Bereitstellen, durch den wenigstens einen Prozessor, des zweiten medizinischen Bilds dem Benutzer über die Benutzerschnittstelle.Medical image reconstruction method claim 11 , further comprising generating, by the at least one processor, a second medical image for a diagnosis or analysis of the second lesion type by executing the second reconstruction parameter on the first medical image and providing, by the at least one processor, the second medical image to the user via the user interface. Medizinisches Bildrekonstruktionsverfahren nach Anspruch 11, ferner umfassend ein Identifizieren, durch den wenigstens einen Prozessor, einer Information über den ersten Rekonstruktionsparameter aus einer empfangenen Information des ersten medizinischen Bilds; und wobei das Erzeugen eines zweiten Rekonstruktionsparameters umfasst: Transferieren, durch den wenigstens einen Prozessor, der Information über den ersten Rekonstruktionsparameter und des Diagnoseauftrags zu einem ersten künstlichen neuronalen Netzwerk; und Steuern, durch den wenigstens einen Prozessor, des ersten künstlichen neuronalen Netzwerks, um den zweiten Rekonstruktionsparameter basierend auf der Information über den ersten Rekonstruktionsparameter und dem Diagnoseauftrag zu erzeugen.Medical image reconstruction method claim 11 , further comprising identifying, by the at least one processor, information about the first reconstruction parameter from received information of the first medical image; and wherein generating a second reconstruction parameter comprises: transferring, by the at least one processor, the information about the first reconstruction parameter and the diagnostic order to a first artificial neural network; and controlling, by the at least one processor, the first artificial neural network to generate the second reconstruction parameter based on the information about the first reconstruction parameter and the diagnostic order. Medizinisches Bildrekonstruktionsverfahren nach Anspruch 14, ferner umfassend: Eingeben, durch den wenigstens einen Prozessor, eines zweiten medizinischen Bilds, das für eine Diagnose oder Analyse des zweiten Läsionstyps durch Ausführen des zweiten Rekonstruktionsparameters an dem ersten medizinischen Bild erzeugt wird, in das zweite künstliche neuronale Netzwerk, das dazu konfiguriert ist, das zweite medizinische Bild ansprechend auf den Diagnoseauftrag zu analysieren; und Steuern, durch den wenigstens einen Prozessor, des zweiten künstlichen neuronalen Netzwerks, um ein medizinisches Bildanalyseergebnis für das zweite medizinische Bild zu erzeugen.Medical image reconstruction method Claim 14 , further comprising: inputting, by the at least one processor, a second medical image generated for a diagnosis or analysis of the second lesion type by performing the second reconstruction parameter on the first medical image to the second artificial neural network configured to do so to analyze the second medical image in response to the diagnostic order; and controlling, by the at least one processor, the second artificial neural network to generate a medical image analysis result for the second medical image. Medizinisches Bildrekonstruktionsverfahren nach Anspruch 11, ferner umfassend: Bereitstellen, durch den wenigstens einen Prozessor, des zweiten Rekonstruktionsparameters oder eines zweiten medizinischen Bilds, das für eine Diagnose oder Analyse des zweiten Läsionstyps durch Ausführen des zweiten Rekonstruktionsparameters an dem ersten medizinischen Bild erzeugt wird, einem dritten künstlichen neuronalen Netzwerk über eine Übertragungsschnittstelle oder die Benutzerschnittstelle ansprechend auf den Diagnoseauftrag; und Empfangen, durch den wenigstens einen Prozessor, eines medizinischen Bildanalyseergebnisses, das durch Inferenz ansprechend auf den Diagnoseauftrag durch das dritte künstliche neuronale Netzwerk erhalten wurde, über die Empfängerschnittstelle.Medical image reconstruction method claim 11 , further comprising: providing, by the at least one processor, the second reconstruction parameter or a second medical image generated for a diagnosis or analysis of the second lesion type by performing the second reconstruction parameter on the first medical image, to a third artificial neural network via a transmission interface or the user interface in response to the diagnostic request; and receiving, by the at least one processor, a medical image analysis result obtained by inference in response to the diagnosis task by the third artificial neural network via the receiver interface. Medizinisches Bildrekonstruktionsverfahren nach Anspruch 11, ferner umfassend ein Bereitstellen, durch den wenigstens einen Prozessor: von Ergebnissen der Diagnose oder Analyse des ersten Läsionstyps, die an dem ersten medizinischen Bild durchgeführt wurde; und von Ergebnissen der Diagnose oder Analyse des zweiten Läsionstyps, die an dem zweiten medizinischen Bild durchgeführt wurde, zusammen dem Benutzer über die Benutzerschnittstelle.Medical image reconstruction method claim 11 , further comprising providing, by the at least one processor: results of the diagnosis or analysis of the first lesion type performed on the first medical image; and results of the diagnosis or analysis of the second lesion type performed on the second medical image shared with the user via the user interface. Medizinisches Bildrekonstruktionsverfahren nach Anspruch 11, ferner umfassend, wenn der Benutzer den zweiten Rekonstruktionsparameter genehmigt, ein Speichern, durch den wenigstens einen Prozessor, des zweiten Rekonstruktionsparameters und/oder des zweiten medizinischen Bilds in einer medizinischen Bilddatenbank in Zusammenhang mit dem ersten medizinischen Bild und dem zweiten Rekonstruktionsparameter.Medical image reconstruction method claim 11 , further comprising, if the user approves the second reconstruction parameter, storing, by the at least one processor, the second reconstruction parameter and/or the second medical image in a medical image database in association with the first medical image and the second reconstruction parameter.
DE102021131238.8A 2020-11-30 2021-11-29 MEDICAL IMAGE RECONSTRUCTION DEVICE AND METHOD FOR SCREENING FOR A VARIETY OF LUNG DISEASE TYPES Pending DE102021131238A1 (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020200164449A KR102337031B1 (en) 2020-11-30 2020-11-30 Medical image reconstruction apparatus and method for screening a plurality of types lung diseases
KR10-2020-0164449 2020-11-30

Publications (1)

Publication Number Publication Date
DE102021131238A1 true DE102021131238A1 (en) 2022-06-02

Family

ID=78867583

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102021131238.8A Pending DE102021131238A1 (en) 2020-11-30 2021-11-29 MEDICAL IMAGE RECONSTRUCTION DEVICE AND METHOD FOR SCREENING FOR A VARIETY OF LUNG DISEASE TYPES

Country Status (3)

Country Link
US (1) US12079988B2 (en)
KR (3) KR102337031B1 (en)
DE (1) DE102021131238A1 (en)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102598233B1 (en) * 2022-06-07 2023-11-07 충북대학교병원 System and method for providing medical information based on deep learning targeting medical images

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190369191A1 (en) 2018-05-31 2019-12-05 The Board Of Trustees Of The Leland Stanford Junior University MRI reconstruction using deep learning, generative adversarial network and acquisition signal model
US10565477B2 (en) 2016-11-23 2020-02-18 General Electric Company Deep learning medical systems and methods for image reconstruction and quality evaluation
US20200294284A1 (en) 2018-04-23 2020-09-17 Elekta Ab Posterior image sampling using statistical learning model
US20200311490A1 (en) 2019-04-01 2020-10-01 Canon Medical Systems Corporation Apparatus and method for sinogram restoration in computed tomography (ct) using adaptive filtering with deep learning (dl)
US20200335201A1 (en) 2017-10-05 2020-10-22 Siemens Healthcare Gmbh Method for setting a medical imaging protocol, system for setting a medical instrument, computer program and computer-readable medium

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7817835B2 (en) 2006-03-31 2010-10-19 Siemens Medical Solutions Usa, Inc. Cross reference measurement for diagnostic medical imaging
KR101241060B1 (en) 2011-03-29 2013-03-11 주식회사 인피니트헬스케어 Apparatus and method for storing and displaying medical image data
US9235889B1 (en) * 2012-06-11 2016-01-12 University Of Central Florida Research Foundation, Inc. Systems, apparatus and methods for collecting and storing raw scan data and software for performing data processing, image reconstruction and interpretation
KR102070427B1 (en) 2012-08-08 2020-01-28 삼성전자주식회사 Method and Apparatus for tracking the position of tumor
KR20140091176A (en) 2013-01-10 2014-07-21 삼성전자주식회사 Apparatus and method for lesion diagnosis
US9361711B2 (en) * 2013-08-05 2016-06-07 Siemens Aktiengesellschaft Lesion-type specific reconstruction and display of digital breast tomosynthesis volumes
KR20160012758A (en) 2014-07-25 2016-02-03 삼성전자주식회사 Apparatus and Method for aiding image diagnosis
KR101910822B1 (en) 2017-04-12 2018-10-24 고려대학교 산학협력단 Apparatus and method for tracking the same lesion area in a plurality of medical images
KR20190002960A (en) 2017-06-30 2019-01-09 연세대학교 산학협력단 Method for task based CT reconstruction protocol optimization using body-recognition
KR101943011B1 (en) 2018-01-22 2019-01-28 주식회사 뷰노 Method for facilitating medical image reading and apparatus using the same
KR101923962B1 (en) 2018-02-12 2018-11-30 주식회사 뷰노 Method for facilitating medical image view and apparatus using the same
KR101977067B1 (en) * 2018-08-24 2019-05-10 주식회사 뷰노 Method for reconstructing diagnosis map by deep neural network-based feature extraction and apparatus using the same

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10565477B2 (en) 2016-11-23 2020-02-18 General Electric Company Deep learning medical systems and methods for image reconstruction and quality evaluation
US20200335201A1 (en) 2017-10-05 2020-10-22 Siemens Healthcare Gmbh Method for setting a medical imaging protocol, system for setting a medical instrument, computer program and computer-readable medium
US20200294284A1 (en) 2018-04-23 2020-09-17 Elekta Ab Posterior image sampling using statistical learning model
US20190369191A1 (en) 2018-05-31 2019-12-05 The Board Of Trustees Of The Leland Stanford Junior University MRI reconstruction using deep learning, generative adversarial network and acquisition signal model
US20200311490A1 (en) 2019-04-01 2020-10-01 Canon Medical Systems Corporation Apparatus and method for sinogram restoration in computed tomography (ct) using adaptive filtering with deep learning (dl)

Also Published As

Publication number Publication date
KR102337031B1 (en) 2021-12-08
KR20220100830A (en) 2022-07-18
KR20220076296A (en) 2022-06-08
KR102469907B1 (en) 2022-11-23
US20220172353A1 (en) 2022-06-02
US12079988B2 (en) 2024-09-03

Similar Documents

Publication Publication Date Title
DE102011013505B4 (en) Method and system for the automatic detection and classification of coronary artery stenosis in cardiac CT volumes
DE10311319B4 (en) Method, system and computer product for planning a cardiac intervention procedure
US11443201B2 (en) Artificial intelligence-based self-learning in medical imaging
DE10321722A1 (en) Computer-aided diagnosis of multiple energy images
DE102021131242A1 (en) Medical image reading assistant apparatus and method for adjusting a diagnostic assistant information threshold based on a follow-up examination
DE102016219488A1 (en) Method for providing a confidence information
DE102004055767A1 (en) Method and apparatus for processing image data to assist in the detection of a disease
DE102019113493A1 (en) MATCHED MEDICAL ULTRASOUND IMAGING
DE112020004049T5 (en) DISEASE DETECTION FROM SPACIOUSLY ANNOTAIZED VOLUMETRIC MEDICAL IMAGERY USING CONVOLUTIONAL LONG SHORT TERM MEMORY
DE102006055654A1 (en) Data management tool for interactive real-time data analysis
DE112005001741T5 (en) System and method for tree projection for the detection of pulmonary embolism
DE102016219887A1 (en) Method and system for using measured data
DE102022112136A1 (en) MEDICAL IMAGE ANALYZER, METHOD AND MEDICAL IMAGE, VISUALIZATION DEVICE AND METHOD
DE102017221830A1 (en) Characterization of a disruptive body within an examination object based on a medical image data set
DE102018222606A1 (en) Method and device for the detection of an anatomical feature of a blood vessel section
DE112021000329T5 (en) SUPPORT DEVICE, METHOD AND PROGRAM FOR DOCUMENT CREATION
DE102005048524A1 (en) Anatomical object e.g. lungs, recognizing method for detecting lung cancer, involves selecting number of potential candidate objects from image data and classifying objects to produce anatomical objects with reduced wrong positive rate
DE102021131238A1 (en) MEDICAL IMAGE RECONSTRUCTION DEVICE AND METHOD FOR SCREENING FOR A VARIETY OF LUNG DISEASE TYPES
DE102014201321A1 (en) Determination of lesions in image data of an examination object
EP3384848B1 (en) Flexible fitting of a clinical decision-making support system
EP3420902B1 (en) Method for determining tissue distribution information made up of x-ray imaging data, x-ray device, computer program and electronically readable data carrier
DE102020211214A1 (en) System and method for detecting anomalies in images
EP3226206A1 (en) Classification by images
DE102023203884A1 (en) Medical image diagnostic aid device and method for generating and visualizing aid information based on distributions of signal intensities in medical images
US20220044454A1 (en) Deep reinforcement learning for computer assisted reading and analysis